基于优化Faster R-CNN算法的金属板材表面缺陷检测

传统的图像处理方法对生产过程中各种金属板材表面缺陷检测效率低,难以满足工业生产的需求。为了提高金属板材表面缺陷检测的精度,文章提出了一种基于优化Faster R-CNN算法的金属板材表面缺陷检测方法,以残差网络ResNet50作为主干特征提取网络。首先,融合特征金字塔网络和可变形卷积网络以提高对小目标和不规则性缺陷的检测能力。然后,采用RoI Align和K-means++聚类算法对候选框进行优化,实现缺陷的精准定位。最后,将提出的模型运用在NEU-DET数据集中进行多次实验。实验结果表明,优化后的Faster R-CNN算法在此数据集上的mAP为78.7%,与原始网络相比提高了7.7%,并且其检测性能优于SSD、YOLOv5s和YOLOv7三类目标检测算法。

目标检测数据集研究综述

【应用背景】目标检测是计算机视觉的基本研究问题之一,目标检测数据集是评估目标检测方法性能的基础。【目的】对目标检测领域发展过程中产生的数据集进行分析和介绍可以有效地揭示目标检测数据集的特点、发展趋势以及检测研究面临的主要问题,从时间和领域的角度展现目标检测数据集的现状,一定程度上也可以为研究人员提供数据集使用参考。【方法】主要从目标检测领域通用数据集和包含行人检测、人脸检测、交通道路场景目标检测、航空遥感检测、文本检测多个应用场景的特定领域数据集两个角度出发,关注数据集的挑战性,列举分析应用最为广泛且具有差异的数据集,给出不同场景数据集的图像示例并分析其主要挑战。【结论】对目标检测领域数据集进行介绍的同时,也揭示了目标检测数据集的重要意义、不同场景下的挑战性和特点以及构建目标检测数据集的主要挑战与未来发展趋势。