基于改进 Faster R-CNN 网络的铝型材表面小目标缺陷检测方法

 杨妮，冯连强，王志超，宋美萱，王富强

中国重型机械研究院股份公司，陕西 西安 710032 

摘要：针对铝型材表面漆泡和脏点等小目标缺陷检测中漏检率高、误检频繁等问题，提出一种基于 Faster R-CNN 网络的改进型铝型材表面小目标缺陷检测方法。首先，构建小目标缺陷专用数据集，并结合缺陷 尺寸分布与形态特征重新设计 anchor 尺度及比率；其次，采用 ROI-Align，消除像素量化偏差以提升缺陷定 位精度；最后，引入 Soft-NMS 算法，优化冗余预测框筛选策略。实验结果表明，改进后的网络模型对漆泡缺 陷的平均精度（AP）达 64.06%，较原始 Faster R-CNN 提升 12.99 个百分点；对脏点缺陷的 AP 值达 82.98%， 较原始网络提升 6.59 个百分点。该方法有效提升了铝型材表面小目标缺陷的检测性能，为工业场景下的高精 度缺陷检测提供了可行技术解决方案。

关键词：深度学习；Faster R-CNN；铝型材表面缺陷检测；ROI-Align；Soft-NMS

参考文献

[1] 何恺明，张旭阳，任少卿，等 . 深度卷积 网络中的空间金字塔池化用于视觉识别 [J]. 《IEEE 模式分析与机器智能汇刊》, 2015, 37(9): 1904-1916.

[2] 任少卿，何恺明，Girshick R，等 . Faster R-CNN：利用区域提议网络实现实时目标检测 [J]. 《IEEE 模式分析与机器智能汇刊》，2017, 39(6): 1137-1149.

[3]Liu W, Anguelov D, Erhan D, et al. SSD: single shot multiBox detector [C] //Proceedings of European Confer- ence on Comput-er Vision. Heidelberg: Springer, 2016: 21-37.

[4]Sermanet P, Eigen D, Zhang X, et a l . O v e r F e a t : i n t e g r a t e d r e c o g n i t i o n , localization and detection using convolutional networks[OL]. [2019-07-03]. https://arxiv. org/ abs/1312.6229

[5]Bochkovskiy A , Wang C Y , Liao H . YOLOv4: Optimal Speed and Accuracy of Object Detection [J]. 2020.

[6] 何迪，徐科，周鹏，周东东 . 基于新型半监 督学习方法的钢材表面缺陷分类 [J]. 光学与激光工 程，2019，117.

[7] 朴杰康、权培根、朴俊赫、康东忠 . 基于机 器学习的表面缺陷检测成像系统 [J]. 精密工程与制 造国际期刊 - 绿色技术 , 2016, 3(3).

[8] 徐 秀 , 宣 静 怡 , 曹 桐 滔 , 代 作 晓 . 基 于 Faster R-CNN 的圆柱形金属工件表面缺陷检测 [J]. 软件导刊 , 2019, 18(05): 130-133.

[9] 向宽 , 李松松 , 栾明慧 , 杨莹 , 何慧敏 . 基 于改进 Faster RCNN 的铝材表面缺陷检测方法 [J]. 仪器仪表学报 ,2021,42(01):191-198.

[10] 陈坤 , 徐向纮 . 改进 Faster RCNN 在铝型材 表面缺陷检测中的应用研究 [J]. 中国计量大学学报 , 2020, 31(02): 240-246.