基于多任务深度学习的铝材表面缺陷检测

作     者：沈晓海 栗泽昊 李敏 徐晓龙 张学武 Shen Xiaohai;Li Zehao;Li Min;Xu Xiaolong;Zhang Xuewu

作者机构：河海大学物联网工程学院江苏常州213022 

基　　金：国家重点研发计划(2016YFC0401606,2018YFC0407101) 国家自然科学基金(61671202,61573128,61701169) 

出 版 物：《激光与光电子学进展》 (Laser & Optoelectronics Progress)

年 卷 期：2020年第57卷第10期

页      码：275-284页

摘      要：针对工业铝材缺陷检测中由缺陷样本稀疏带来的训练过拟合、泛化性能差等问题,提出一种基于多任务深度学习的铝材缺陷检测方法。先基于Faster RCNN设计一个包含铝材区域分割、缺陷多标签分类和缺陷目标检测的多任务深度网络模型;再设计多任务损失层,利用自适应权重对各项任务进行加权平衡,解决了多项任务训练中的收敛不均衡问题。实验结果表明,在有限的数据集支持下,相较于单任务学习,该方法能够在保持分割任务的均交并比(MIoU)指标最优的情况下,分别提高多标签分类和缺陷目标检测的准确率,解决了由铝材缺陷检测样本少引起的检测精度较低的问题。对于多任务应用场景,该模型能够同时完成三个任务,减少推断时间,提高检测效率。

主 题 词：机器视觉 工业检测 缺陷检测 多任务学习 目标检测 图像分类 图像分割 

学科分类：1305[艺术学-设计学类] 13[艺术学] 0808[工学-自动化类] 08[工学] 081104[081104] 0804[工学-材料学] 081101[081101] 0811[工学-水利类] 0702[理学-物理学类] 

核心收录：

D　O　I：10.3788/LOP57.101501

馆 藏 号：203936848...