基于改进Faster RCNN的铝材表面缺陷检测方法
【摘要】 针对传统检测算法对工业铝材表面缺陷识别率不高、对于小缺陷定位不准确等问题，提出改进的FasterRCNN深度学习网络对于铝材表面lO种缺陷进行检测。首先，对数据进行增强后，在主干网络加入特征金字塔网络（FPN）结构以加强对小缺陷的特征提取能力，随后用感兴趣区域校准（ROIAlign）算法来代替粗糙的感兴趣区域池化（ROIPooling）算法，获得更准确的缺陷定位信息，最后加入K-means算法对缺陷数据进行聚类，得出更适应铝材缺陷的锚框。实验表明，改进后的网络对铝材表面缺陷检测的平均精度均值（mAPS0）为91.20%，比原始的FasterRCNN网络提高了16%，并且对铝材小缺陷的检测能力也得到明显的提高。
