基于卷积神经网络的注塑件表面缺陷检测

目前注塑件表面缺陷主要依靠人工检测,存在检测不稳定,受人为主观因素影响等问题。对此,提出机器视觉技术完成注塑件表面缺陷检测。在视觉检测方法中,通过卷积神经网络算法对注塑件表面缺陷图像进行识别检测。首先根据注塑件的缺陷特点,构建适用于其表面缺陷检测的注塑件表面缺陷识别基础网络模型,再通过图像采集设备采集缺陷图像,针对图像缺陷不突出的问题,使用直方图均衡化的方法进行增强,最后通过训练集对网络模型进行训练。对比3种经典卷积神经网络模型和注塑件表面缺陷识别基础网络模型的检测效果,该方法取得了更高的识别率。

基于深度学习算法的航拍巡检图像的绝缘子识别

针对绝缘子检测目标在航拍图像中尺寸变化剧烈的问题,提出一种改进Faster R-CNN的绝缘子检测算法.首先将FPN特征金字塔结构网络与Faster R-CNN算法进行结合,将不同尺度下的特征进行融合;然后,改进最大池化层,提升检测框的坐标精度;针对遮挡现象,采用Soft-NMS算法规避不同目标检测框因重叠而被误删的情况.经过对绝缘子航拍数据集的检测验证,对比原Faster R-CNN网络,本改进网络结构提高了平均准确率(MAP),且可以更有效地识别图像中更小比例的绝缘子目标.