基于转移学习的汽车管道表面缺陷多道融合决策在线检测网络VGG16网络网络
Jian Song1, Yingzhong Tian1, Xiang Wan2
1Shanghai Key Laboratory of Intelligent Manufacturing and Robotics, School of Mechatronic Engineering and Automation, Shanghai University, Shanghai 200444, China.
Sensors (Basel, Switzerland)
|January 8, 2025
概括
本研究介绍了一种新的转移学习多通道融合网络,用于汽车管道表面缺陷检测. 该方法通过融合多种缺陷检测通道来实现高精度 (97.78%) 和速度 (153.8 FPS).
科学领域:
- 计算机视觉 计算机视觉
- 机器学习 机器学习
- 汽车工程 汽车工程
背景情况:
- 汽车管道的在线表面检测面临着诸如低缺陷率和复杂缺陷形态等挑战.
- 现有的方法在小样本,长尾数据和可变缺陷外观方面扎.
研究的目的:
- 开发一种准确有效的方法来检测汽车管道的表面缺陷.
- 用深度神经网络和转移学习来解决传统方法的局限性.
主要方法:
- 提出了一个转移学习多道融合决策网络,将传统的视觉检测和深度学习相结合.
- 为特定的缺陷类型设计网络通道,并使用动态权重进行决策层面的融合.
- 实施了改进的兴趣区域 (ROI) 检测算法,以提高效率.
主要成果:
- 在汽车管道表面缺陷数据集上实现了97.78%的检测准确度.
- 达到每秒153.8 (FPS) 的检测速度.
- 证明了网络能够以高精度平衡实时检测需求的能力.
结论:
- 多通道融合网络有效地综合了不同网络结构的优势.
- 这种方法克服了汽车管道表面缺陷检测的单通道网络的局限性.
- 该方法支持高质量的检测和快速处理要求.
