改進Faster R-CNN模型的汽車噴油器閥座瑕疵檢測算法

朱宗洪 李春貴 李煒 黃偉堅

摘要：為完成噴油器閥座常見的瑕疵識別，對深度檢測模型進行研究，提出基于Faster R-CNN模型的噴油器閥座瑕疵識別改進方法。首先，對常規(guī)生產(chǎn)下的噴油器閥座瑕疵圖像進行采集、處理，構(gòu)造出相關(guān)數(shù)據(jù)集;其次，在FasterR-CNN模型上對候選框和特征網(wǎng)絡(luò)進行改進，獲得比原有模型更高的精確度。實驗結(jié)果表明：改進的FasterR-CNN模型在噴油器閥座瑕疵識別中精確度得到加強，識別精確度可達71.79%，相比原有模型精確度提升了近3.9%。說明該深度學(xué)習(xí)方法能夠有效實現(xiàn)噴油器閥座瑕疵的識別，為后續(xù)自動一體化檢測研究提供了基礎(chǔ)。

關(guān)鍵詞：汽車噴油器閥座;瑕疵識別;Faster R-CNN;深度學(xué)習(xí)

中圖分類號：U464.136;TP391.41DOI：10.16375/j.cnki.cn45-1395/t.2020.01.001

0引言

隨著視覺檢測技術(shù)的快速發(fā)展，制造業(yè)自動化生產(chǎn)線上使用機器視覺來檢測目標(biāo)產(chǎn)品瑕疵的軟件和應(yīng)用越來越多，生產(chǎn)效率也得到很大的提高，在瑕疵檢測中使用機器代替人已經(jīng)成為一種不可避免的趨勢。實際上，如何更好地將工業(yè)生產(chǎn)與機器視覺檢測技術(shù)相結(jié)合是一個十分困難的問題，目前噴油嘴閥座（如圖1）的檢測還是通過手動實現(xiàn)，在人丁檢查中，工作人員需要在精神高度集中、連續(xù)的單純作業(yè)環(huán)境下工作（如圖2），人眼容易疲勞，無法保證檢測合格率。本文在機器視覺技術(shù)的基礎(chǔ)上，研究深度學(xué)習(xí)方法在閥座瑕疵檢測中的應(yīng)用。

深度學(xué)習(xí)是機器學(xué)習(xí)的一個分支，是近些年來機器學(xué)習(xí)領(lǐng)域取得的重大突破和研究熱點之一。在檢測算法的不斷改進下，Girshick等提出了R-CNN算法，該算法將“深度學(xué)習(xí)”和傳統(tǒng)的“計算機視覺”知識進行了結(jié)合。接著He等提出了目標(biāo)檢測算法SPP-Net，方法的提出解決了候選框縮放成統(tǒng)一大小而導(dǎo)致物體變形的問題，Girshic通過對R-CNN和SPP-Net的缺點做進一步改進，通過引入多任務(wù)損失函數(shù)和RoI Pooling提出了FastR-CNN，雖然該算法在計算速度上得到了提高，但還不能滿足端對端的測試。因此，Ren等提出了FasterR-CNN，隨后在保證一定精度的前提下，為了能提高檢測速度，又出現(xiàn)了YOLO、SSD等算法。Fatser R-CNN算法在物體檢測中，相對其他算法能達到更好效果。雖然Faster R-CNN算法能獲得很好的檢測性能，但是在汽車噴油器閥座的應(yīng)用中，仍然存在許多的問題：①噴油器閥座圖像中的目標(biāo)尺寸相對較小，不能精準的完成識別和定位;②瑕疵種類并不單一存在，往往一張圖像上存在多類尺度不一的瑕疵，并且在檢測過程中會受到光照等因素的影響，所以會出現(xiàn)漏檢、誤檢的發(fā)生。針對以上問題，本文在Faster R-CNN算法基礎(chǔ)上，對錨框大小和數(shù)量進行改進，并在改變特征提取網(wǎng)絡(luò)的同時引入ResNet、Inception模塊，通過一系列的改進，讓汽車噴油器閥座的檢測更精準，以滿足工業(yè)檢測的基本要求。

1數(shù)據(jù)集構(gòu)建

1.1數(shù)據(jù)采集

在噴油器閥座檢測中，由于噴油器閥座瑕疵較小，不能通過肉眼識別，因此，需要對噴油器閥座圖像進行放大;同時還要克服其他外部光源的干擾，根據(jù)焦距等參數(shù)的調(diào)整與設(shè)定來獲取清晰的瑕疵圖像，保證采集的圖像質(zhì)量。在檢測中，圖像的精度也直接影響到最后判別瑕疵的結(jié)果。CCD工業(yè)相機性能優(yōu)良，有較好的彩色還原度和光源預(yù)校準功能，本身包含有輸入輸出單元和感光單元。通過放大鏡頭與所選相機接口及芯片尺寸進行匹配，實現(xiàn)圖像的放大及精準度的控制;通過選取合適的光源、工裝，完成遮光裝置設(shè)計，該裝置在解決外部光源干擾的同時，也有效克服了自身光源發(fā)散的問題，使拍攝圖片更加清晰，得到高質(zhì)量的圖像信息;最后，對圖像采集卡進行二次開發(fā)，并通過相機與電機的配合完成圖像的拍攝及存儲。采集環(huán)境和流程圖如圖3所示。

1.2圖像數(shù)據(jù)處理

由于攝像頭拍攝的圖像通常是彩色圖像，顏色信息比較豐富，冗余的信息會增加后續(xù)圖像處理的難度，因此，在實際生產(chǎn)中需要提出有效的方法對圖像進行預(yù)處理，該操作能弱化或消除圖像中無關(guān)信息，恢復(fù)對檢測目標(biāo)有用的真實信息。目前收集的2100張圖片還不能完成樣本數(shù)據(jù)集的模型訓(xùn)練，圖片數(shù)量直接影響到檢測與識別的結(jié)果。為了能夠提高檢測模型的泛化能力，一般采用數(shù)據(jù)增強方式來避免數(shù)據(jù)不足，如圖4所示。該方法能有效提高目標(biāo)識別率，常常通過灰度轉(zhuǎn)化（圖4（a）），飽和度加強（圖4（b）），飽和度減弱（圖4（c）），翻轉(zhuǎn)（圖4（e）、圖4（f））等方法進行數(shù)據(jù)集擴充，提高目標(biāo)命中率，處理之后數(shù)據(jù)庫得到7500張圖片。與此同時，原始采集的圖片分辨率為5678x2948像素，像素太高不僅會占內(nèi)存空間，還不利于后期的模型訓(xùn)練，因此，在訓(xùn)練前會將圖像進行壓縮。接著將樣本打亂，提取其中的20%（1500）做測試集，80%（6000）做訓(xùn)練集，之后使用Labellmg標(biāo)記訓(xùn)練圖像的缺陷類別及位置，標(biāo)注目標(biāo)完成后，將每一張標(biāo)注圖片保存為XML文件，作為訓(xùn)練樣本。

2Fastel R-CNN算法

Faster R-CNN主要包含3個部分：特征提取層、RPN（Region ProposalNetwork）層、FastR-CNN層。Fatser R-CNN特征提取層使用的是VGG16網(wǎng)絡(luò)模型，通過conv+ReLU+Pooling層提取Image的特征圖，它被認為是卷積神經(jīng)網(wǎng)絡(luò)中分類性能較優(yōu)秀的網(wǎng)絡(luò)模型。Faster R-CNN網(wǎng)絡(luò)結(jié)構(gòu)如圖5所示，通過結(jié)構(gòu)可以了解整個檢測過程：似設(shè)一張任意大小P×Q的圖像，縮放至固定大小MxN，然后將MxN圖像送入CNN網(wǎng)絡(luò);而CNN網(wǎng)絡(luò)中包含了13個Conv層+13個ReLU層+4個Pooling層;而RPN網(wǎng)絡(luò)首先經(jīng)過3x3卷積，分別生成PositiveAnchors和對應(yīng)Bounding Box Regression偏移量，然后計算出Proposals;而ROI Pooling層則利用Proposals從FeatureMaps中提取Proposal Feattire送入后續(xù)全連接和SoftMax網(wǎng)絡(luò)作Classification。所以可以概括為Faster R-CNN在Fast RCNN的基礎(chǔ)上，用RPN（region proposal network）網(wǎng)絡(luò)取代了選擇性搜索，通過有效區(qū)域合并、去除冗余等方法對目標(biāo)位置進行調(diào)整，從而生成高質(zhì)量的區(qū)域建議框，并且通過共享特征提取網(wǎng)絡(luò)，有效降低了區(qū)域檢測的時間，獲得更精確的結(jié)果。最后由Fast RCNN對區(qū)域特征進行學(xué)習(xí)，完成物體的分類和邊框的回歸。

候選區(qū)域（RPN）是一個全卷積神經(jīng)網(wǎng)絡(luò)，訓(xùn)練時使用非極大值抑制方法，通過窗口中目標(biāo)/非目標(biāo)分類概率獲取候選區(qū)域，按照一定比例隨機選取正/負樣本進行訓(xùn)練，正負樣本以Iou（Intersection overUnion）作為判別依據(jù)。IoU是一種邊界窗口回歸（BoundingBox Regression，BBox）和真實目標(biāo)窗口重合度的指標(biāo)。通過實驗發(fā)現(xiàn)，LoU的取值能在很大程度上影響檢測效果。如果設(shè)置太大則會使檢測不準確，造成大量的誤檢產(chǎn)生;設(shè)置太小檢測就會不完整，存在漏檢;因此，針對汽車噴油器閥座對LoU進行設(shè)置，如果檢測到的邊界框與瑕疵真值框之間的LoU重疊率大于0.7，則表示預(yù)測類別正確，為正樣本;如果在檢測到的邊界框與地面真值框之間的LoU重疊率小于0.3，則表示預(yù)測類別錯誤，為負樣本。RPN網(wǎng)絡(luò)使用BBox生成Rol時，其回歸損失函數(shù)如式（1）：

L_reg對整個模型的魯棒性產(chǎn)生至關(guān)重要的影響。其中函數(shù)Smooth_L1，如式（2）：

RPN網(wǎng)絡(luò)的識別是典型的二分類過程，其分類損失函數(shù)定義如式（3）：

最后得到RPN網(wǎng)絡(luò)對單個圖像樣本的損失函數(shù)如式（4）：

3基于Faster R-CNN的改進實現(xiàn)

3.1錨框數(shù)量與大小進行改變

錨窗是RPN網(wǎng)絡(luò)操作中很重要的一個參數(shù)，對后續(xù)候選框生成數(shù)量與大小會產(chǎn)生決定性的影響。在原始Faster R-CNN中RPN使用3種不同尺寸及比例（1：1，1：2，2：1），組合成9種不同大小的錨框，并以此預(yù)測包含目標(biāo)的窗口位置。似設(shè)對于一個長為H，寬為W的特征圖，將會生成H*W*9個候選框，最后通過非極大值抑制算法剔除多余的候選區(qū)域。但在噴油器閥座的瑕疵檢測中，它不同于平常的行人、車輛檢測，噴油器閥座的瑕疵較小且種類較多，用現(xiàn)有的算法模型檢測會存在漏檢，因此針對該對象的特性對錨框進行改進，長寬比變?yōu)?.5，1，2，4，縮放比例變?yōu)?，8，16，生成的候選窗口也由原來的9個變?yōu)楝F(xiàn)在的12個。改進的錨窗使Faster R-CNN模型檢測效果更好，對尺寸較小的噴油器閥座有著更精準的檢測率，通過計算可以發(fā)現(xiàn)改進的錨窗尺寸與瑕疵尺寸大小接近。實現(xiàn)步驟如下：

Step 1對anchor進行初始化：

anchor base=16，anchor middle=（7.5，7.5），Size=16*16，ratio=[0.5，1，2，4]，anchor base為初始值，anchor middle為初始化中心，size為面積，ratio為長寬比。

Step 2計算初始化時在不同長寬比下anchor對應(yīng)的面積如式（5）：

Size_{1，2，3，4}=size/atlio=[512，256，128，6] （5）

Step 3對anchor進行開根號計算，可以得到不同的寬、高，如式（6）：

Step 4由anchor的中心以及不同的寬和高計算出anchors ratio，具體如式（7）、式（8）：

x_left=x₁-（w₁-1）/2=-3.5，y_left=y₁-（h₁-1）/2=2（7）

x_right=x₁+（w₁-1）/2=18.5，y_right=y₁+（h₁-1）/2=13（8）

anchors={[-3.5，2，18.5，13]，[0，0，15，15]，[2.5，-3，12.5，18]，[4，-8，11，23]}。

Step 5利用3種不同的stales[4，8，16]分別去擴大anchors，擴大的方法是先計算出來上一步的anchor的中心以及寬高，使寬高分別乘以scale，然后再利用中心和新的寬w_i、高h_i計算出最終所要的anchors，如式（9）、式（10）所示：

最后得到不同尺寸大小的anchors，如式（11）所示：

anchors_{1，2，3，，…，12}={[-37，-15，54，32]…[-55，-247，72，264]} （11）

對比發(fā)現(xiàn)改進后的候選框大小更接近實際瑕疵區(qū)域大小，具體通過實驗進一步驗證。

3.2改進特征提取網(wǎng)絡(luò)

雖然vGG-16是卷積神經(jīng)網(wǎng)絡(luò)中分類性能優(yōu)秀的模型，但該模型在圖像的特征提取上損失較大，不夠充分，影響最后的目標(biāo)檢測效果，導(dǎo)致對小目標(biāo)的識別率不夠精確。隨著網(wǎng)絡(luò)模型的不斷改進，出現(xiàn)了Inception、ResNet等較深的網(wǎng)絡(luò)模型，不斷加深網(wǎng)絡(luò)層數(shù)可以提高性能;因此，結(jié)合Inception和ResNet等網(wǎng)絡(luò)的優(yōu)點，在特征提取網(wǎng)絡(luò)上做改進，對網(wǎng)絡(luò)的深度、寬度同時進行改進，能更有效地對特征進行提取。因為在網(wǎng)絡(luò)中前3層卷積網(wǎng)絡(luò)能很好地提取特征，因此，通過這一特性對vGG16網(wǎng)絡(luò)進行改進，改進后的網(wǎng)絡(luò)如圖6所示。

將conv4卷積網(wǎng)絡(luò)模塊進行替換，借鑒ResNet50構(gòu)建深層網(wǎng)絡(luò)的思想，以及Inception模型拆分-變換-合并的內(nèi)積策略，同時加深該層網(wǎng)絡(luò)的深度和寬度，以獲得更強的表達能力。增加網(wǎng)絡(luò)的深度和寬度是提升神經(jīng)網(wǎng)絡(luò)性能的最直接方法，由于Inception模塊是具有優(yōu)良局部拓撲結(jié)構(gòu)的網(wǎng)絡(luò)，會對輸入圖像執(zhí)行并行卷積操作，最后再將得到的不同感受野特征進行拼接。因此，在對該網(wǎng)絡(luò)模塊進行設(shè)計時，通過融合ResNet跟Inception的特性，在殘差模塊中使用Inception moclule來替換殘差連接中的卷積層而組成新的結(jié)構(gòu)，使節(jié)點學(xué)習(xí)輸入輸出之間的差值映射，避免輸入輸出特征的擬合，消除梯度彌散和梯度爆炸，并且加快網(wǎng)絡(luò)的訓(xùn)練。在替換的模塊中，首先，通過1×1卷積對輸入進行降維拆分;然后，經(jīng)過多個3×3的卷積進行轉(zhuǎn)換（為了減少計算量，其中5×5卷積用兩個3×3卷積進行替換）;接著，沿通道維度串聯(lián)的方式進行通道合并，進行多尺度的檢測;最后，通過一個1×1卷積實現(xiàn)通道一致，完成殘差模塊跟輸出的線性向量的相加，公式如式（12）。在改變網(wǎng)絡(luò)模塊時，可以根據(jù)相似高度模塊化理念進行設(shè)計，讓新模塊的計算復(fù)雜度跟vGG16中的conv4模塊相似，這樣在增加網(wǎng)絡(luò)深度和寬度的同時，網(wǎng)絡(luò)復(fù)雜度也得到保持。式中，X（i）和y（i）為輸入通道，在實驗中輸入輸出通道數(shù)都為512，*為卷積。在該模塊中，一般通過修改3×3卷積層的通道數(shù)來進行網(wǎng)絡(luò)模塊的設(shè)計。這是由于該卷積層獨立于輸入、輸出，更有利于網(wǎng)絡(luò)的構(gòu)造。設(shè)計模塊如圖7所示。

vGG16網(wǎng)絡(luò)跟ResNet50的cony4模塊參數(shù)數(shù)量都是5898k，ResNet50的每個模塊大約是983k參數(shù)。因此，按照相似模塊的搭建原則，將3×3卷積層的通道數(shù)設(shè)置為172.為了加快收斂，在每層輸入前加入批標(biāo)準化（Batch Normalization，BN）層，有助于對前一層網(wǎng)絡(luò)輸出進行矯正，使其均值規(guī)范為0，方差規(guī)范為1，再輸入到下一層。改進的特征提取網(wǎng)絡(luò)能夠利用不同網(wǎng)絡(luò)的優(yōu)勢，提高特征利用率，獲得更為豐富的輸入特征，使得性能進一步加強。

4實驗結(jié)果與分析

實驗硬件平臺操作系統(tǒng)為WIN1064位，CPU Intel core（TM）i7-47903.60GHz，16GB內(nèi)存，2TB希捷硬盤。整個實驗基于Tensorflow深度學(xué)習(xí)框架進行開發(fā)，編程語言為pyhton，并采用NVIDIAGeForceGTX1070顯卡進行GPU加速訓(xùn)練。本文以制作好的噴油器閥座數(shù)據(jù)集為訓(xùn)練樣本，以端到端的卷積共享方式進行訓(xùn)練，模型使用隨機梯度下降算法（SGD）進行權(quán)值優(yōu)化，動量設(shè)置為0.9，權(quán)重衰減因子為0.05，每步使用的batch size設(shè)置為128，初始學(xué)習(xí)率為0.01000.當(dāng)批處理次數(shù)達到40000次時，學(xué)習(xí)率調(diào)整為0.0001;當(dāng)批處理次數(shù)達到60000次時，停止訓(xùn)練得到模型。

而關(guān)于性能評價指標(biāo)，采用的是平均準確率AP（avelage precision）。其優(yōu)于accuracy的評價，常作為信息檢索評價標(biāo)準，主要包括兩個值：precision和recall，其中precision即為精確率，表示不同類別中，真正屬于該類別的樣本在被預(yù)測為正的樣本中比例，公式為：

其中，以毛刺、刮痕、銹斑、白點4類瑕疵為檢測目標(biāo)，根據(jù)不同種類瑕疵進行預(yù)測，TP（True Positive）表示正確識別出瑕疵目標(biāo)的樣本數(shù)量;FN（False Negativa）表示未識別出瑕疵目標(biāo)的樣本數(shù)量;FP（FalsePositive）表示錯誤識別瑕疵目標(biāo)的樣本數(shù)量。而recall為召回率，代表正確檢測出的目標(biāo)個數(shù)與測試集中所有個數(shù)的比值，如式（14）所示：

其中，recall的分母true positives+false negatives，即瑕疵樣本總數(shù)，而平均準確率的公式為：

由上可知，AP為一個關(guān)于precision和recall的積分;也就是對每一個閾值分別求precislon和recall變化情況的乘積，最后所有閾值下的乘積值進行累加。如果想評估一個模型的性能，可以通過precision-recall曲線（性能較好的體現(xiàn)就是在recall增長的同時保持precision在一個較高的水平）。綜合所有類別，可以通過平均精確率均值MAP對模型進行評價，它代表模型中所有類別平均準確率的均值，計算公式為：

該實驗中N代表所含類別的個數(shù)為4，最終檢測結(jié)果也通過相應(yīng)曲線和表格來展示。

4.1模型識別結(jié)果

實驗在Fastei R-CNN網(wǎng)絡(luò)模型上，通過改進候選框和特征提取網(wǎng)絡(luò)，生成針對噴油器閥座瑕疵的高質(zhì)量區(qū)域建議框，提取到更有效的特征，實驗結(jié)果說明了改進算法的效果。首先，對常見的4類瑕疵進行識別，如圖8（a）-圖8（d）所示，從圖中能觀察到毛刺跟白點都相對較小，人眼容易忽略，但所提出的算法得到比較好的識別效果。在實際生產(chǎn)中，一個噴油器閥座很多時候會存在多種瑕疵，用常規(guī)的Faster R-CNN檢測，會有漏檢的情況發(fā)生如圖8（e）、圖8（g），而使用改進的算法會得到如圖8（f）、圖8（h），檢測效果得到了提高，具體的測試結(jié)果如圖8所示。

4.2性能評估

一個良好的評價指標(biāo)是模型公平比較的重要保證。為了更客觀地評價該改進算法的檢測性能，將特征網(wǎng)絡(luò)改進算法Our1，候選框改進算法Our2，綜合候選框改進和特征網(wǎng)絡(luò)改進的算法Our3與算法FasterR-CNN作對比。通常使用積分的方法，求取P-R曲線的面積，獲得平均準確率（AP）。針對噴油器閥座常見的瑕疵：毛刺、銹斑、刮痕、白點，測量的結(jié)果如圖9所示。

由圖9（a）可知：對于噴油器閥座毛刺的檢測，F(xiàn)asterR-CNN的平均準確率（AP）為0.7745，算法Our1平均準確率為0.7926，算法Our2的平均準確率為0.8038，算法Our3實驗平均準確率為0.8185.由此可知，所提小的算法Our1、算法Our2、算法Our3在Faster R-CNN基礎(chǔ)上分別提高了1.81%、2.93%、4.4%。

由圖9（b）可知：對于噴油器閥座銹斑的檢測，F(xiàn)astei‘R-CNN的平均準確率（AP）為0.6989，算法Our1平均準確率為0.7104，算法Our2的平均準確率為0.7037，算法Our3實驗平均準確率為0.7197.由此可知，本文所提出的算法Our1、算法Our2、算法Our3在Faster R-CNN基礎(chǔ)上分別提高了1.15%、0.48%、2.08g/0.

由圖9（c）可知：對于噴油器閥座刮痕的檢測，F(xiàn)asterR -CNN的平均準確率（AP）為0.6242，算法Our1平均準確率為0.6430，算法Our2的平均準確率為0.6357，算法Our3平均準確率為0.6819，可得出，所提出的算法Our1、算法Our2、算法Our3在Faster R-CNN基礎(chǔ)上分別提高了1.88%、1.15%、5.77%。

由圖9（d）可知：對于噴油器閥座白點的檢測，F(xiàn)aster‘R-CNN的平均準確率（AP）為0.6177，算法Our1平均準確率為0.6268，算法Our2的平均準確率為0.6402，算法Our3平均準確率為0.6516.由此可知，本文所提出的算法Our1、算法Our2、算法Our3在FasterR—CNN基礎(chǔ)上分別提高了0.91%、2.25%、3.39%。

通過目標(biāo)檢測算法中先進的FasterR—CNN算法進行對比，所提出的算法在檢測性能上有明顯提高，在噴油器閥座瑕疵中，通過比較不同瑕疵種類在不同算法下的準確率，最后得到均值平均檢測率（MAP），如表1所示。

根據(jù)上述噴油器閥座目標(biāo)檢測準確率數(shù)據(jù)可看出，候選框改進算法、提取網(wǎng)絡(luò)算法在原有算法模型上有相應(yīng)的提高，而綜合二者的算法在原模型上也得到了顯著提高，在原模型上大約提升了4個百分點的平均準確率，毛刺的檢測準確率相對其他瑕疵檢測準確率要高。這是由于在瑕疵樣本中，毛刺的數(shù)量相對較多，因此檢測準確率較高。通過改進算法與現(xiàn)有算法模型一一做對比，分別得出改進模型的有效性，在考慮時間跟準確率這兩個評判標(biāo)準時，所提出的算法為了追求較高檢測精度，會造成時間成本的增加。這是由于在噴油器閥座生產(chǎn)場景下，檢測精確度較低會失去檢測意義。因此，為了實現(xiàn)高精確的檢測，以犧牲少量時間作為代價，這是在工業(yè)生產(chǎn)中可以接受的，所提出的算法已在生產(chǎn)線初步應(yīng)用，檢測模型圖如圖10所示。通過與自動設(shè)備相結(jié)合，基本實現(xiàn)工業(yè)上的無接觸檢測，在節(jié)約大量人力成本的同時，有效提高了工業(yè)生產(chǎn)效率和經(jīng)濟效益。

5結(jié)論

本文以噴油器閥座圖像數(shù)據(jù)為研究對象，將深度學(xué)習(xí)中的目標(biāo)檢測方法應(yīng)用到噴油器內(nèi)部缺陷檢測領(lǐng)域中，并且在基于FasterR-CNN檢測模型上進行改進，分別對噴油器閥座中常見的毛刺、刮痕、白點、銹斑4類對象進行實驗測試。實驗結(jié)果表明，算法Our1 MAP為69.32%，算法Our2MAP為69.58%，算法Our3MAP為71.79%?？偟木灯骄鶞蚀_率比現(xiàn)有的Faster R-CNN算法分別提升了大約1.4%、1.7%、3.9%。由于在噴油器閥座瑕疵中，其他樣本數(shù)量相對毛刺較少，在后期的工作中需要在樣本及算法模型上進行改進，使得模型準確率進一步得到提升。實驗中網(wǎng)絡(luò)的加深會造成時間的浪費，出現(xiàn)內(nèi)存不足、響應(yīng)慢等問題。為了更好的應(yīng)用于工業(yè)場景，在以后的研究中，可以將網(wǎng)絡(luò)替換成輕量級網(wǎng)絡(luò)進行訓(xùn)練，在降低模型大小的同時，也能保持模型性能，更好地滿足工業(yè)上閥座檢測要求。技術(shù)的投入能更好地保證檢測的可靠性和精準性，對提高自動化生產(chǎn)水平、噴油器生產(chǎn)具有很大的實際意義。