基于Refine-ACTDD的铸件外观微小缺陷检测方法

来源：计算机集成制造系统杂志2022年第9期北京时间：

作者：丛明, 卢长奇, 刘冬, 肖庆阳, 李荣东

单位：1.大连理工大学机械工程学院2.大连亚明汽车部件股份有限公司

摘要：针对复杂铸件外观缺陷体积小、背景复杂干扰大,较难实现高精度缺陷检测的问题,提出一种基于深度学习的铸件外观缺陷检测模型(Refine-ACTDD)。该模型基于RefineDet算法,采用密排的锚点设计方法提高微小缺陷的正检率,并引入注意力机制减少复杂背景对检测的干扰。同时,提出一种将深度学习与轮廓发现相结合的方法实现对小样本缺陷的端到端检测。经过数据采集,制作包含7 816张铸件外观缺陷图片的大型数据集ALU-DEF。最后,采用对比训练方法在数据集上进行训练和测试。实验结果表明,该算法能够达到95.44%的平均正检率,相比于Faster-RCNN和YOLOv3算法具有更高的平均精确率(MAP)和正检率。

关键词：深度学习,缺陷检测,铝合金压铸件,微小缺陷

基金资助：辽宁省“揭榜挂帅”科技攻关资助项目(2021JH1/10400079);大连市科技重大专项资助项目(2020ZD13GX003)。