基于改进深度学习算法的铸件缺陷自动检测识别研究

作者：王飞; 张素兰

来源：自动化与仪表, 2023, 38(09): 82-86.

DOI：10.19557/j.cnki.1001-9944.2023.09.017

• 深度学习算法
• 铸件缺陷
• 数字式辐射成像
• 引导滤波
• YOLOv3网络
• 损失函数

为改善多目标缺陷识别漏检问题，提高铸件缺陷检测精度，该文提出了基于改进深度学习算法的铸件缺陷自动检测识别方法。利用数字式辐射成像技术获取铸件DR图像，并采用引导滤波算法对其作平滑处理，在YOLOv3网络结构基础上，引入空间金字塔池化（SPP）结构，将优化后的YOLOv3网络与Faster RCNN、Cascade RCNN网络融合构建缺陷检测融合模型，将处理后的铸件DR图像作为模型输入，实现铸件缺陷的高精度识别。实验结果表明，该方法可识别铸件DR图像多个缺陷目标，平均检测精度达到97.5%以上，有效降低漏检缺陷数量。

• 单位
  太原科技大学