基于改進Faster R-CNN的鋼板表面缺陷檢測*

李 玉，湯 勃，孫 偉，林中康，李錦達

(武漢科技大學機械自動化學院，武漢 430081)

0 引言

鋼板表面質量檢測對于提高鋼板產品質量十分重要。傳統人工檢測方法僅依靠人眼識別，局限性較大[1]。隨著視覺檢測技術的發展，基于視覺檢測技術的表面檢測方法逐漸被用到鋼板表面檢測中。如SONG等[2]首先提取了圖像的改進局部二值模式特征，然后使用支持向量機對圖像進行分類識別；韓英莉[3]使用改進的ReliefF算法對帶鋼的多維混合特征進行處理，然后利用遺傳算法優化后的BP 神經網絡進行識別。這些方法雖然速度較快，對特定缺陷精度較高，但是由于需要人工設計特征提取器，對圖片的特征提取能力弱，受環境因素影響較大。

近年來，隨著深度學習技術的不斷發展，基于深度學習的目標檢測方法被越來越多的學者應用到缺陷檢測方面[4-5]。針對鋼板表面缺陷檢測這一具體問題，本文使用改進后的Faster R-CNN算法[6]對鋼板表面缺陷進行檢測。首先使用不同特征提取網絡在ImageNet數據集[7]上的預訓練模型作為初始權重參數對Faster R-CNN模型進行遷移學習，對比選擇結果更優的卷積神經網絡作為Faster R-CNN模型的特征提取網絡；然后針對原Faster R-CNN算法中錨框的尺寸和比例與鋼板表面缺陷尺寸大小不匹配的問題，采用聚類的方法來確定錨框的尺寸和比例，提高算法模型的準確率；最后針對鋼板表面低對比度的微小缺陷檢測準確率有待提高的問題，融入特征金字塔網絡(feature pyramid networks，FPN)[8]將深層的高語義特征和淺層特征圖的細節特征融合，進一步提高算法模型的準確率。……