一个轻量级的深度学习网络,具有针对表面缺陷检测的优化注意模块
Yizhe Li1, Yidong Xie1, Hu He1
1State Key Laboratory of Precision Manufacturing for Extreme Service Performance, College of Mechanical and Electrical Engineering, Central South University, Changsha 410083, China.
Sensors (Basel, Switzerland)
|December 17, 2024
概括
本研究介绍了一种优化的Faster R-CNN深度学习模型,用于高效地检测表面缺陷. 这种先进的方法实现了高精度,满足了对制造质量控制的工业要求.
科学领域:
- 材料科学 材料科学 材料科学
- 计算机视觉 计算机视觉
- 人工智能的人工智能
背景情况:
- 在航空航天和汽车等关键行业的广泛使用需要强有力的质量控制.
- 现有的表面缺陷检测方法缺乏现代工业应用所需的效率和准确性.
- 表面缺陷严重损害了制品的质量和安全性.
研究的目的:
- 开发一种创新的,高精度的表面缺陷检测系统.
- 通过利用深度学习来改进传统的缺陷检测方法.
- 为了满足工业生产的严格效率和精度标准.
主要方法:
- 为缺陷检测开发了一个优化的两阶段更快的R-CNN深度学习网络.
- 一个具有优化照明和焦点的2D摄像头捕获了高分辨率图像,用于实时分析.
- 该网络包含了一个多尺度的特征金字塔,一个优化的卷积块注意力模块 (CBAM) 和一个轻量级的幽灵模型.
- 基因K-means算法用于优化先前区域选择.
主要成果:
- 优化的网络在3200张图像的数据集上实现了94.25%的平均平均精度 (mAP).
- 特定缺陷的个体平均精度 (AP) 值超过了80%,超过了工业标准.
- 幽灵模型减少了14.3%的网络复杂性,同时在准确性,速度和稳定性方面保持了卓越的性能.
- 该系统通过整合语义和位置信息,证明了增强的缺陷识别.
结论:
- 拟议的基于深度学习的方法在表面缺陷检测方面取得了重大进展.
- 优化的Faster R-CNN网络,结合CBAM和Ghost模型,提供了高精度和效率.
- 这种方法满足并超过了当前对可靠质量控制的工业要求.
