基于改进的R-FCN带纹理透明塑料裂痕检测

为了解决利用传统的机器学习方法来检测带纹理透明塑料裂痕的检测精度和识别率不高的问题,提出一种改进的基于区域的全卷积网络（Region-based Fully Convolutional Networks,R-FCN）检测方法,通过对R-FCN中的残差网络（Residual Network,ResNet）特征提取网络进行混合尺度感受野融合处理,弥补了原网络对微小裂痕敏感度不高的缺点。实验表明,改进后的R-FCN检测方法的裂痕检测精度比基于传统机器学习支持向量机（Support Vector Machine,SVM）检测方法的裂痕检测准确率高20%左右,比未改进的R-FCN检测方法的检测准确率高8%,证明了该方法的有效性。     

基于机器视觉的透明塑料件缺陷检测

在实际的产品生产当中,由于各种不确定因素的影响,容易导致产品表面出现缺陷,严重影响产品的外观和性能,因此,在线缺陷检测成为了生产过程中必不可少的环节。以机器视觉为基础方法,分别使用基于SVM机器学习方法和基于Faster R-CNN深度学习方法对透明塑料件进行缺陷的识别与定位,并对两者的检测效果进行比较和分析。实验结果表明,基于Faster R-CNN的缺陷检测方法的准确率为90%,比基于SVM缺陷检测方法高20%,验证了基于深度学习的缺陷检测方法的优越性。