0 引言

    在金屬板材生產過程中，由于加工技術、溫度控制、雜物摻入^[1]等影響，金屬面板表面會產生各種缺陷，如劃痕、凸粉等。其不僅影響產品的美觀和舒適度，而且會在使用過程中留下潛在隱患。因此，表面缺陷檢測環節對于保障產品的質量非常重要。

    人們在缺陷領域的探索分為基于傳統目標檢測^[2]和基于深度學習^[3]的方法。周神特等人^[4]利用SIFT算子提取缺陷特征向量后提出了一種BP算法級聯SVM結合的分類器檢測方法來檢測金屬板材表面缺陷，該方法對缺陷特征要求辨識度高，對于與背景相似的缺陷無法得到有效處理。李蘭等人^[5]提出一種基于空洞卷積融合的SSD工件表面缺陷檢測方法，有效地對工件表面的剝落、碎屑、梨溝缺陷進行識別，但是其缺陷樣本是利用電子顯微鏡獲取，對缺陷樣本的分辨率要求很高。李維剛等人^[6]提出一種基于K-means聚類改進的YOLOv3算法對帶鋼表面缺陷進行檢測，較未改進之前在整體上提升檢測速度的和缺陷的檢測率，但是其使用的K-means對初始設置條件極其敏感，數據量不夠時無法保證其結果的有效性。王海云等人^[7]提出了一種利用FPN改進Mask R-CNN算法來檢測工業表面缺陷，雖然能夠準確地定位和識別缺陷，但是其利用多尺度特征映射融合的方法增加了網絡復雜度，導致其訓練速度慢，識別耗時長。綜上所述，SSD算法^[8]及其變體的一階檢測器^[9]更省時，在目標檢測跟蹤方面更具備適用性，但論檢測性能而言，二階檢測器(如R-CNN^[10-11])及其變體等在公共的評價基準上取得的檢測精度更優。因此，本文提出了基于改進Faster RCNN算法的缺陷檢測方法，提高了檢測精度，并且具有良好的識別速率，適用性更強。

本文詳細內容請下載：http://www.cowatch.cn/resource/share/2000003924。

作者信息：

陳婉琴1，唐清善1，黃  濤2

(1.長沙理工大學 物理與電子科學學院，湖南 長沙410000；2.中國人民解放軍第3303工廠，湖北 武漢430200)