50、基于更快的区域卷积神经网络的金属螺丝表面微缺陷检测

基于更快的区域卷积神经网络的金属螺丝表面微缺陷检测

1. 引言

计算机视觉系统类似于人眼的运作，能让系统自动观察、识别和理解视觉世界。计算机视觉在诸多领域都有研究，如人脸检测、小麦分拣系统、工业机器人操作、建筑垃圾回收机器人以及猕猴桃检测等。在生产过程的质量控制中，计算机视觉的应用十分关键，它能通过检测产品表面的缺陷来保证产品质量。

目前，多数制造商采用人工检查的方式进行缺陷检测。然而，对于大规模生产的小产品，如金属螺丝，人工检测不仅需要大量劳动力，还非常耗时。因此，开发自动缺陷检测系统对于提高生产效率至关重要。

此前已有许多关于自动缺陷检测系统的研究，当前的研究多采用深度学习算法。例如，有研究利用卷积神经网络（CNN）通过X射线图像识别金属铸件的缺陷，该系统取得了较高的准确率，平均精度均值（mAP）达到0.957。还有研究应用深度卷积神经网络（DCNN）检测接触网支撑装置上紧固件的缺陷，以及检测金属螺丝表面的微缺陷，实验结果显示检测准确率达98%，优于Le - Net 5。此外，更快的区域卷积神经网络（faster R - CNN）模型也被用于检测轮毂和不规则反射表面的缺陷，与其他深度学习方法相比，表现出更好的检测性能。不过，从头开始训练深度学习算法具有挑战性，因为它们难以优化且需要强大的图形处理单元（GPU），通常的解决方法是使用预训练模型进行迁移学习。

本项目尝试实现一个用于识别带有微缺陷的金属螺丝的目标检测系统。构建了一个图像采集平台，用于收集有缺陷和无缺陷螺丝的图像。通过旋转图像数据集并以不同的光照强度曝光来增加图像数量，然后将图像数据集输入到faster R - CNN网络中训练模型，并将结果与传统模板匹配技术和单阶段检测器（SSD）进行比较。 <