改进FPN的Mask R-CNN工业表面缺陷检测  

Industrial surface defect detection based on improved FPN Mask R-CNN

作　　者：王海云 王剑平[1] 张果[1] 欧阳鑫[1] 罗付华 WANG Hai-yun;WANG Jian-ping;ZHANG Guo;OUYang Xin;LUO Fu-hua

机构地区：[1]昆明理工大学信息工程与自动化学院,昆明650500 [2]攀钢集团攀枝花钢钒有限公司热轧板厂,攀枝花617023

出　　处：《制造业自动化》2020年第12期35-40,97,共7页Manufacturing Automation

基　　金：国家重点研发计划(2017YFB0306405);国家自然科学基金(61364008)。

摘　　要：针对工业表面缺陷呈现形式存在多样性和随机性而导致难以准确检测的问题,提出改进FPN的Mask R-CNN表面缺陷检测算法。该算法使用ResNet-101提取缺陷图像各阶段的特征图,改进的FPN增加自底向上的反向连接路径对各阶段特征图进行充分融合,得到具有更强语义信息和定位信息的多尺度特征图;多尺度特征图输入RPN产生位置修正参数,进而得到候选区域;RoIAlign网络基于多尺度特征图和候选区域映射产生固定尺度的候选区域特征图;候选区域特征图输入Faste R-CNN进行分类和回归,同时输入Mask分割网络进行掩膜预测。采用DAGM公开缺陷数据集验证本文算法性能,并与主流的检测算法进行对比实验。实验结果表明,所提算法与Faster R-CNN和Mask R-CNN相比,具有更优的检测性能,能更加准确地定位出各类缺陷,mAP可达到98.25%,在工业表面缺陷智能检测领域中具有较好的应用价值。

关 键 词：表面缺陷检测 深度学习 Mask R-CNN 多尺度特征 准确定位 

分 类 号：TP391[自动化与计算机技术—计算机应用技术]