基于改进Faster R-CNN的隐形眼镜表面缺陷检测算法

针对传统图像处理算法在检测隐形眼镜表面缺陷时存在精度低、耗时长、算法鲁棒性差、漏检多等问题，提出一种基于改进Faster R-CNN的隐形眼镜表面缺陷检测算法。首先，对比了3种特征提取网络的性能，选取ResNet50作为骨干网络；然后，引入特征金字塔网络（FPN），通过融合多层次的特征信息，提高Faster R-CNN的多尺度检测能力；最后，基于构建的隐形眼镜表面缺陷数据集，使用K-means++算法改进锚框的尺度和数量。实验结果表明：改进后的Faster RCNN算法在测试集上的平均精度均值（mAP）达到了86.95%，相比于改进前的Faster R-CNN算法，提高了9.45个百分点，可以有效地检测出气泡、车削亮点、划痕、模具亮点等多种隐形眼镜典型缺陷。