节点文献

基于Mask R-CNN的铸件X射线DR图像缺陷检测研究

免费订阅

【作者】 蔡彪沈宽付金磊张理泽

【Author】 Cai Biao;Shen Kuan;Fu Jinlei;Zhang Lize;Key Laboratory of Optoelectronic Technology & Systems, Ministry of Education, Chongqing University;Engineering Research Center of Industrial CT Nondestructive Testing, Ministry of Education, Chongqing University;

【通讯作者】 沈宽;

【机构】 重庆大学光电技术及系统教育部重点实验室重庆大学工业CT无损检测教育部工程研究中心

【摘要】 针对传统的铸件缺陷检测不能对缺陷进行分类分级等问题,提出了一种基于Mask R-CNN的铸件X射线DR图像缺陷检测算法。首先对原始图像进行预处理,采用引导滤波进行图像平滑,平滑图像与原图像进行差分得到差分图像,将差分图像与平滑图像相加运算使图像增强,再利用Labelme进行图像标注,形成训练数据集。送入Mask R-CNN深度学习网络,通过特征提取网络生成建议区域,分类、回归网络生成边界框和掩码,经多次参数调节后得到训练网络模型,最后测试数据集。实验数据结果表明,气泡1~5级的检测率分别为:66.7%,71.4%,77.4%,88.9%,87.5%;疏松1~5级检测率为:62.5%,72.2%,77.1%,83.3%,81.1%。检测结果证明应用Mask R-CNN结合引导滤波增强方法的缺陷检测方法可以较好的实现对铸件X射线DR图像的缺陷检测的分级分类,为工业铸件缺陷检测提供了应用深度学习方法的解决方案。

【基金】 重庆市自然科学基金(cstc2016jcyjA0353);重庆市技术创新与应用发展项目(cstc2019jscx-msxm0530)资助
【所属期刊栏目】 检测技术 (2020年03期)
  • 【DOI】10.19650/j.cnki.cjsi.J1905908
  • 【分类号】TG245;TP391.41;TP18
  • 【下载频次】89
节点文献中: 

本文链接的文献网络图示:

浏览历史:
下载历史: