基于深度学习的油封缺陷检测方法研究

在传统的油封缺陷检测中,存在油封表面质量缺陷尺寸小、人工检测效率低、漏检错检率高、成本高等问题,为此,以油封缺陷为研究对象,提出了一种基于深度学习Faster R-CNN框架的多尺度特征融合的改进算法。首先,构建了油封缺陷检测系统,采集了油封缺陷图像,经扩增及标注等预处理后制作了数据集;然后,研究了油封缺陷尺寸较小导致的识别精度低问题,设计了Faster R-CNN网络基于FPN+ResNet50框架进行特征多尺度融合改进的方法;最后,采用了预训练参数送入改进的Faster R-CNN网络模型,并对油封缺陷数据集进行深度训练的方法,进行了油封缺陷的检测实验。研究结果表明：该模型的检测精确度和速度综合性能优于固有的Faster R-CNN网络模型,划痕、毛刺和凹缺的检测精确度分别达到0.96、0.95和0.97,召回率分别达到0.89、0.88和0.91,mAP可达85.5%,高于改进前模型1.4%,识别速度可达16 fps,高于油封生产速度;该检测方法可以满足油封缺陷的检测要求。