目标定位是计算机视觉领域中基本的任务之一,同时它也是和传统意 义上缺陷检测接近的任务,其期的是获
得目标的位置和类别信息。目前, 基于深度学习的目标检测方法层出不穷,-般来说, 基于深度学习的缺陷
检测网络从结构.上可以划分为:以Faster R-CNN为代表的两阶段(two stage)网络和以SSD或YOLO为代表的一
阶段(one stage)网络。两者的主要差异在于两阶段网络需要首先生成可能包含缺陷的候选框(proal),然后在
进一步进行目标检测。-阶段网络直接利用网络中提取的特征来预测缺陷的位置和类别。
检测对象:钢表面缺陷
主要方法:基于Faster R-CNN的带钢表面缺陷检测网络,该网络的改进在于提出的多级特征融合网络( MFN )
将多个分层特征组合成一个特征 ,可以包括缺陷的更多位置细节。基于这些多级特征,采用区域提议网络
( RPN )生成感兴趣区域( ROI ) .在缺陷检测数据集NEU-DET.上,提出的方法在采用ResNet-50的
backbone'下实现了82.3%的mAP。
以上信息由专业从事非标产品瑕疵检测的宣雄于2024/7/21 9:30:17发布
转载请注明来源:http://m.tz1288.com/qynews/szxxznlj-2789262973.html