avatar avatar 我的文献 基于多任务深度学习的铝材表面缺陷检测 单位 河海大学物联网工程学院 期刊 激光与光电子学进展 时间 关键词 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
摘要
针对工业铝材缺陷检测中由于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。首先,基于FasterRCNN网络,设计一个多任务深度网络模型,包含铝材区域分割、缺陷多标签分类、缺陷目标检测三项任务;然后设计了多任务损失层,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。结果表明,在有限的数据集支持下,相较单任务学习,该方法能够在保持分割任务MIoU保持最优的情况下,将多标签分类准确率和缺陷检测mAP值各提升4%,缓解了铝材缺陷检测样本少引起的检测精度较低的现象。同时对于多任务应用场景,该模型能够同时完成上述三个任务,降低推断时间,提高检测效率。
下载 浏览 cnki {{liketext}}
©2020 - iData {{ message }} 关闭