论文研究 | 基于机器视觉的钢材表面缺陷检测

       钢材是发展现代工业技术的基本材料，随着工业制造能力的提升，钢材广泛应用于建筑行业、海洋工程、航天工程，对钢材也提出了更严苛的要求。然而由于生产工艺限制，钢材在生产过程中不可避免地存在深度各异的表面缺陷，如划痕、裂纹、凹面等。这些缺陷不仅会影响产品外观，同时会导致钢材耐磨性、韧性等性能下降，缩短钢材的使用寿命。因此，分析与掌握如何提高钢材表面质量是现代钢材生产厂家亟需解决的重要问题。

          本篇文章基于 Faster R-CNN 目标检测算法，提出一种基于机器视觉的钢材表面缺陷检测方法。

基本算法

1.1 Faster R-CNN算法

Faster R-CNN 算法是一种端到端的目标检测算法，网络结构如图1所示，分为4个部分，具体如下。

 （1） 主干网络

         Faster R-CNN 算 法 的 主 干 网 络 通 常 为 VGG-16、ResNet等网络，负责提取输入图像特征。通过查阅参考文献，本文选用 VGG-16 网络作为主干网络，其结构如图2所示。

 （2） RPN网络

        RPN网络负责提取候选框，其基本原理如图3所示。当输入模型图像通过主干网络进行特征提取后输入RPN，RPN 对特征图进行滑窗以产生描框。将描框得分高的部分作为推荐区域，即为候选框。

（3）ROI池化

        ROI 池化负责对特征图进行一定比例的缩放，以使特征图满足预设定大小。目前，常用的缩放方式首先是将区域提案划分为大小相同的 n 等分，然后找到每个部分的最大值，最后复制最大值并输出[6]。

 

（4）