基于深度学习的铝材表面缺陷检测

随着信息技术在工业制造领域的深入应用,工业制造大数据研究正成为实现智能制造、帮助政府指导制造企业转型升级的重要参考依据.在传统的钢铁、铝材等金属制造行业,更是存在生产方式粗放、生产工艺简单等问题.因此,迫切需要利用人工智能等新一代信息技术来改善生产流程,提高生产效率.在使用铝材时,必须检查铝材表面.现有的铝材表面缺陷检测受限于传统人工肉眼检查,十分费力,或基于传统的机器视觉算法,识别率不高,通常不能及时准确地判断出表面瑕疵.为解决这些问题,利用深度学习来进行铝材表面缺陷检测:首先运用两大目标检测算法Faster R-CNN(Region-CNN(Convolutional Neural Networks))和YOLOv3对制作的铝材缺陷数据集进行检测;然后基于YOLOv3算法进行改进,提升铝材表面很小缺陷的检测效果.在广东工业智造大数据创新大赛提供的"铝型材瑕疵识别"数据集上进行了实验验证,实验结果显示,改进算法的平均精度均值(mean Average Precision, mAP)比YOLOv3算法高3.4%,比Faster R-CNN算法高1.8%.