优化Faster R-CNN算法的小样本缺陷检测研究

随着自动化检测技术的发展,基于深度学习的缺陷检测技术以其高精度、高效率、非接触性的特点正逐渐成为工业和学术领域的研究热点。为解决实际工业生产中由于产品缺陷数据集样本不足、类别不均衡导致的模型过拟合、检测精度低等问题,提出了一种基于Faster R-CNN算法框架优化的缺陷检测模型Faster R-CNN-H-BFC,通过基于多层感知器(multi-layer perceptron,MLP)实现的幻觉网络能够从具有丰富样本的基类中学习到类共享特征并为新类生成额外的幻觉样本供模型训练,并且针对Faster R-CNN本身存在的识别精度低以及检测效果差等问题,将原始的VGG16主干网络替换为具有残差结构的ResNet50,并引入了特征金字塔网络(Feature Pyramid Networks,FPN)实现多尺度特征融合,添加混合注意力机制(Convolutional Block Attention Module,CBAM)来增强模型的特征提取能力。实验和数据表明:改进后的缺陷检测模型在极少样本场景下具有较好的检测效果,平均检测精度相较于改进前提升了3.11%。