CN114897802B 一种基于改进Faster RCNN算法的金属表面缺陷检测方法 （江苏科技大学）_第1页
CN114897802B 一种基于改进Faster RCNN算法的金属表面缺陷检测方法 （江苏科技大学）_第2页
CN114897802B 一种基于改进Faster RCNN算法的金属表面缺陷检测方法 （江苏科技大学）_第3页
CN114897802B 一种基于改进Faster RCNN算法的金属表面缺陷检测方法 （江苏科技大学）_第4页
CN114897802B 一种基于改进Faster RCNN算法的金属表面缺陷检测方法 （江苏科技大学）_第5页
已阅读5页，还剩11页未读， 继续免费阅读

下载本文档

版权说明：本文档由用户提供并上传，收益归属内容提供方，若内容存在侵权，请进行举报或认领

文档简介

一种基于改进FasterRCNN算法的金属表面本发明公开了一种基于改进FasterRCNN算集，并对其进行预处理；步骤二：基于Faster2步骤二、基于FasterRCNN目标检测模型，选取参数量较少性能较好的骨干网络个阶段图片下采样2倍；为了增强小目标的检测效果，引入特征金子塔进行特征融合；将ResNet101的后三个阶段中所有的3×3传统卷积替换步骤四、优化区域建议网络，改进锚点生成方式，使步骤六、用训练好的模型对测试样本进行预测并输出金属表面缺陷的类别和位置信2.根据权利要求1所述的基于改进FasterRCN3.根据权利要求1所述的基于改进FasterRC4.根据权利要求1所述的基于改进FasterRCNN算法的金5.根据权利要求4所述的基于改进FasterRC36.根据权利要求4所述的基于改进FasterRCNN7.根据权利要求4所述的基于改进FasterRC4[0001]本发明属于计算机视觉目标检测领域，尤其涉及一种基于改进FasterRCNN算法[0004]为了克服上述现有技术中的缺点和不足，本发明的目的在于提供一种基于改进FasterRCNN算法的金属表面缺陷检测方法，能够有效提升金属表面缺陷检测的位置信息5[0014]以上所述的步骤二中，选取参数量较少性能较好的骨干网络ResNet101作为FasterRCNN目标检测模型中的特征提取网络，ResNet101网络由100个卷积层和一个全连[0015]以上所述的步骤三中，模型的总损失为分类损失和回归其具体改进方法为用Rank&Sort(RS)Loss代替分类损失中的交叉熵损失，回归损失采用[0025]在以上所述的步骤5.2设置[0026]在以上所述的步骤5.4迭代训练中，6[0035]为了加深对本发明的理解，下面将结合附图和实施例对本发明做进一步详细描块(Patches)、麻点(Pitted_surface)、氧化铁皮压入(Rolled-in_scale)、划痕与深层特征进行融合的方式增加了小目标的映射分辨率，有效地改善了小目标的检测效7负样本中大于该正样本得分的数量；rank(i)为所有正样本和负样本中大于等于该正样本目标尺度，因此本发明使用数据分析工具分析金属缺陷数据集中缺陷目标的长宽比等特8)两种缩放比组合生成一组锚框(一组锚框由10个anchorbox组成)的

人人文库> 全部分类> 行业资料 > 信息产业

温馨提示

  • 1. 本站所有资源如无特殊说明，都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等，如果需要附件，请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸，网页内容里面会有图纸预览，若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间，仅对用户上传内容的表现方式做保护处理，对用户上传分享的文档内容本身不做任何修改或编辑，并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容，请与我们联系，我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

最新文档

评论

0/150

提交评论