基于YOLOv3-spp的汽車(chē)輪轂表面缺陷檢測(cè)算法研究與分析

張震宇, 劉 陽(yáng), 劉福才,3

(1.燕山大學(xué)智能控制系統(tǒng)與智能裝備教育部工程研究中心，河北秦皇島066004；2.中信戴卡股份有限公司，河北秦皇島066004；3.河北省高端裝備產(chǎn)業(yè)技術(shù)研究院，河北秦皇島066004)

1 引 言

汽車(chē)輪轂作為汽車(chē)重要的零部件,在生產(chǎn)和運(yùn)輸過(guò)程中難免會(huì)產(chǎn)生各類(lèi)表面缺陷。目前對(duì)汽車(chē)輪轂表面缺陷檢測(cè)研究的相關(guān)報(bào)道較少,檢測(cè)方式主要依賴(lài)人工檢測(cè),檢測(cè)效率較低。近年來(lái)機(jī)器視覺(jué)方法已成為實(shí)現(xiàn)輪轂表面缺陷自動(dòng)化檢測(cè)的有效手段[1,2]。

在缺陷圖像采集方面,研究者們根據(jù)缺陷檢測(cè)工藝流程及要求,利用工業(yè)機(jī)器人活動(dòng)范圍大、定位精度高、控制簡(jiǎn)單的特點(diǎn),將視覺(jué)系統(tǒng)安裝在機(jī)器人的末端執(zhí)行器上,使用指定光源對(duì)輪轂表面進(jìn)行掃描[3],為后續(xù)的缺陷檢測(cè)做準(zhǔn)備。

在檢測(cè)算法方面主要分傳統(tǒng)的機(jī)器視覺(jué)方法和深度學(xué)習(xí)的方法。傳統(tǒng)的缺陷檢測(cè)算法一般包含:①預(yù)處理。文獻(xiàn)[4]采用小波增強(qiáng)和基于HSI顏色空間的偽彩色增強(qiáng)方法,降低輪轂X射線(xiàn)圖像噪聲,提高了圖像細(xì)節(jié)。②缺陷定位和特征提取。針對(duì)輪轂X射線(xiàn)圖像,文獻(xiàn)[5]利用灰度、幾何等特征信息分割缺陷區(qū)域;針對(duì)表面缺陷圖像,文獻(xiàn)[6]則通過(guò)閾值分割技術(shù)分割缺陷區(qū)域。③缺陷分類(lèi)識(shí)別。在提取輪轂缺陷紋理和灰度特征后,文獻(xiàn)[7]將其輸入SVM(support vector machine)進(jìn)行訓(xùn)練,以此識(shí)別缺陷類(lèi)型。由此可知傳統(tǒng)機(jī)器視覺(jué)方法是針對(duì)專(zhuān)門(mén)目標(biāo)設(shè)計(jì)的,在算法適用范圍內(nèi)準(zhǔn)確性較好。但傳統(tǒng)機(jī)器視覺(jué)檢測(cè)方法難以滿(mǎn)足實(shí)時(shí)性要求,準(zhǔn)確性會(huì)受到算法提取特征與缺陷實(shí)際特征不匹配的影響,抵抗外界干擾的能力差,導(dǎo)致檢測(cè)率不高[8]。

針對(duì)每一類(lèi)缺陷需要單獨(dú)設(shè)計(jì)算法,難度較大,深度學(xué)習(xí)的方法則將多種缺陷分類(lèi)問(wèn)題放在一個(gè)網(wǎng)絡(luò)下解決,能更好地提取圖像特征信息,具有良好的魯棒性和泛用性。目前很多深度學(xué)習(xí)算法都可以用于輪轂表面缺陷檢測(cè),如CNN (convolutional neural network)、Faster R-CNN (faster region-convolutional neural networks)等[9～11]。文獻(xiàn)[12]在此基礎(chǔ)上還引入了生成式對(duì)抗網(wǎng)絡(luò)消除圖像模糊性,提高了輪轂表面缺陷識(shí)別率。YOLO(you only look once)神經(jīng)網(wǎng)絡(luò)也被廣泛應(yīng)用于目標(biāo)檢測(cè)任務(wù),如文獻(xiàn)[13,14]通過(guò)改進(jìn)YOLOv3 (you only look once version 3)網(wǎng)絡(luò)提高了輪轂表面缺陷檢測(cè)精度。除了缺陷檢測(cè),U-Net (convolutional networks for biomedical image segmentation)網(wǎng)絡(luò)[15]、DeepLab v3+網(wǎng)絡(luò)[16]等深度學(xué)習(xí)算法還可以用于輪轂表面圖像中缺陷的分割。

輪轂結(jié)構(gòu)復(fù)雜、表面缺陷種類(lèi)繁多,根據(jù)上述研究現(xiàn)狀,本文提出一種基于YOLOv3-spp (you only look once version 3-spatial pyramid pooling network)的汽車(chē)輪轂表面缺陷檢測(cè)算法,該算法首先對(duì)采集的原始圖片進(jìn)行16等分,然后將分割后的圖片輸入神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練,訓(xùn)練得到的模型可用來(lái)實(shí)現(xiàn)輪轂表面缺陷的預(yù)測(cè)。

2 輪轂缺陷種類(lèi)及數(shù)據(jù)處理

2.1 輪轂表面缺陷檢測(cè)工藝現(xiàn)狀

2.1.1 人工檢測(cè)

輪轂表面缺陷檢測(cè)是輪轂出廠(chǎng)前的一道重要工序,但目前只能依靠人工在1 m左右距離多角度查找輪轂表面缺陷,并手工標(biāo)注,每個(gè)輪轂檢測(cè)時(shí)間約30 s。然而這種枯燥的重復(fù)性工作以及對(duì)視覺(jué)的要求不僅對(duì)檢測(cè)準(zhǔn)確率和效率造成一定程度的影響,還對(duì)工作人員的視力造成危害。因此尋找智能化和自動(dòng)化的輪轂表面缺陷檢測(cè)方法成為提高檢測(cè)效率的關(guān)鍵。

2.1.2 輪轂表面缺陷種類(lèi)

輪轂表面根據(jù)其結(jié)構(gòu)分為A、B、C、D4個(gè)區(qū)域。區(qū)域A為車(chē)輪的樣式平面;區(qū)域B為窗口和輪輻側(cè)面,柱頭螺栓孔區(qū)域20 mm;區(qū)域C為輪轂剩下部分,包括輪輞的制動(dòng)一側(cè);區(qū)域D為車(chē)輪裝飾物或輪胎(包括輪胎緣保護(hù)圈)覆蓋的任何部分和車(chē)輪裝飾物的背面。

在4個(gè)區(qū)域中輪轂表面缺陷檢測(cè)主要針對(duì)A、B兩個(gè)區(qū)域,包含常見(jiàn)的9種缺陷如圖1所示。

圖1 9種缺陷圖Fig.1 Nine defect diagrams

在常見(jiàn)的輪轂表面缺陷中,本文選擇點(diǎn)狀缺陷(點(diǎn)狀?yuàn)A雜)、線(xiàn)性缺陷(線(xiàn)性劃痕)、油泥油漆和針孔4種區(qū)分度較高,不容易產(chǎn)生種類(lèi)之間錯(cuò)檢的缺陷作為研究目標(biāo)。

2.2 樣本擴(kuò)充與缺陷標(biāo)注

考慮到訓(xùn)練深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)依賴(lài)于大量的數(shù)據(jù),在人工采集的數(shù)據(jù)樣本較少的條件下,訓(xùn)練前需進(jìn)行數(shù)據(jù)增強(qiáng),解決可能發(fā)生的過(guò)擬合問(wèn)題。針對(duì)輪轂表面缺陷數(shù)據(jù)集,本文選取±90°旋轉(zhuǎn)、水平翻轉(zhuǎn)與垂直翻轉(zhuǎn)4種數(shù)據(jù)增強(qiáng)方法。樣本擴(kuò)充后的缺陷標(biāo)注工作則使用了開(kāi)源的labelimg軟件,手工標(biāo)注圖像上缺陷的位置和種類(lèi)信息,生成用于訓(xùn)練的數(shù)據(jù)集。

圖2 YOLOv3網(wǎng)絡(luò)結(jié)構(gòu)Fig.2 YOLOv3 network structure

3 基于YOLOv3-spp的輪轂表面缺陷 檢測(cè)

YOLO神經(jīng)網(wǎng)絡(luò)將目標(biāo)檢測(cè)從分類(lèi)問(wèn)題轉(zhuǎn)變?yōu)橐粋€(gè)回歸問(wèn)題。輸入的圖像,只經(jīng)過(guò)一個(gè)神經(jīng)網(wǎng)絡(luò)就能得到預(yù)測(cè)邊框以及每個(gè)預(yù)測(cè)邊框所屬類(lèi)別的置信度。因此它的優(yōu)點(diǎn)就是快速性好、準(zhǔn)確率高,非常適合工業(yè)生產(chǎn)對(duì)實(shí)時(shí)性的要求。另外YOLO比R-CNN等目標(biāo)檢測(cè)網(wǎng)絡(luò)更能避免背景錯(cuò)誤,學(xué)到物體的泛化特征。而改進(jìn)后的YOLOv3-spp,相對(duì)于YOLO具有更好的準(zhǔn)確率。

3.1 YOLOv3組成

YOLOv3網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示。其中特征圖維度D=3×(4+1+類(lèi)別個(gè)數(shù))。YOLOv3有DBL、Res_unit和Resn 3個(gè)基本組件[17]。

(1) DBL:由Darknetconv2d+Bn(batch normalization, 批量標(biāo)準(zhǔn)化)+Leaky_ReLU(激活函數(shù))3部分組成,是YOLO網(wǎng)絡(luò)結(jié)構(gòu)中的最小組件。具有正則化、加速收斂和避免過(guò)擬合的作用。

(2) Res_unit:殘差結(jié)構(gòu)減小了梯度爆炸的風(fēng)險(xiǎn),讓網(wǎng)絡(luò)可以建的更深,加強(qiáng)了網(wǎng)絡(luò)的學(xué)習(xí)能力。

(3) Resn:起到對(duì)輸入圖片下采樣的作用,下采樣過(guò)程中的特征圖大小變化為416×416-208×208-104×104-52×52-26×26-13×13。

運(yùn)算操作分為:

(1)Concat(通道數(shù)合并)。特征圖像本身的通道數(shù)即特征數(shù)增加,每個(gè)特征的信息量沒(méi)有增加。

(2)Add(相加)。特征圖直接相加,通道數(shù)不變,特征圖每個(gè)特征下的信息量增加。

YOLOv3的主干特征提取網(wǎng)絡(luò)是Darknet-53,在保證精度的同時(shí)網(wǎng)絡(luò)層數(shù)更少,計(jì)算速度更快。網(wǎng)絡(luò)中使用了步長(zhǎng)為2的卷積來(lái)代替池化層實(shí)現(xiàn)下采樣,降低了池化帶來(lái)的梯度負(fù)面效果。YOLOv3還借鑒了特征金字塔的方法融合了32、16、8倍下采樣的3層特征圖,并在這3個(gè)尺寸上分別進(jìn)行預(yù)測(cè),每個(gè)特征層分配了3個(gè)形狀不同的先驗(yàn)框,通過(guò)Logistic回歸從9個(gè)先驗(yàn)框中找到得分最高的那個(gè),去掉不必要的先驗(yàn)框,提升了小目標(biāo)檢測(cè)能力。

3.2 YOLOv3-spp模塊組成

YOLOv3-spp將空間金字塔池化模塊(SPPNet)加入了主干網(wǎng)絡(luò)之中,作用是對(duì)于網(wǎng)絡(luò)輸入的任意大小的特征圖都能得到固定大小的特征。SPP模塊融合了特征圖的局部特征與全局特征,豐富了特征圖的表達(dá)能力,有利于待檢測(cè)圖像中目標(biāo)大小差異較大的情況,提升了模型的泛用性,SPP模塊圖如圖3 所示[18]。

圖3 SPP模塊Fig.3 SPP module

4 實(shí)驗(yàn)和分類(lèi)結(jié)果分析

4.1 數(shù)據(jù)采集

采集數(shù)據(jù)時(shí),在輪轂生產(chǎn)線(xiàn)上使用黑箱和指定光源對(duì)每個(gè)輪轂窗口和輻條進(jìn)行掃描以達(dá)到將表面全覆蓋的目的。為保證采集圖像清晰,拍攝圖像分辨率為3 840×2 748。為了保證缺陷圖像數(shù)量,總共采集了100多萬(wàn)幅各類(lèi)輪轂表面圖像(未分類(lèi))作為源數(shù)據(jù),經(jīng)過(guò)篩選后保留含有缺陷的圖片,得到實(shí)驗(yàn)所需的數(shù)據(jù)集。

4.2 圖像分割

圖像分割(切片)是將圖像分割成不同性質(zhì)的區(qū)域,達(dá)到提取缺陷的目的。相比采集到的原圖片,缺陷所占像素面積太小,對(duì)于卷積神經(jīng)網(wǎng)絡(luò)來(lái)說(shuō)可能難以提取足夠的特征,而且大量非目標(biāo)區(qū)域也參與了神經(jīng)網(wǎng)絡(luò)運(yùn)算,大大增加了運(yùn)算時(shí)間。過(guò)大的圖片質(zhì)量也對(duì)硬件要求很高,因此本文將原始圖片切片為16幅,保留含有缺陷部分的圖片,舍棄大量無(wú)目標(biāo)圖片。又根據(jù)YOLOv3-spp網(wǎng)絡(luò)的結(jié)構(gòu)特點(diǎn)將輸入網(wǎng)絡(luò)圖像像素大小調(diào)整為32的倍數(shù)即 960×704。圖像切片分割如圖4所示。

圖4 圖像分割Fig.4 Image segmentation

4.3 訓(xùn)練和參數(shù)調(diào)試

為了驗(yàn)證本文提出算法的可行性和檢測(cè)效果,對(duì)采集到的圖片進(jìn)行篩選后,得到4種缺陷原圖片各100幅,再經(jīng)過(guò)樣本擴(kuò)充,得到每種缺陷圖片各500幅。標(biāo)注缺陷區(qū)域,制作訓(xùn)練數(shù)據(jù)集,并按照7:2:1的比例劃分訓(xùn)練集、驗(yàn)證集、測(cè)試集。其中測(cè)試集圖片是樣本擴(kuò)充前先分割出10/100再進(jìn)行數(shù)據(jù)增強(qiáng)得到的,以保證測(cè)試集和訓(xùn)練集及驗(yàn)證集的無(wú)關(guān)性。

卷積神經(jīng)網(wǎng)絡(luò)的參數(shù)主要有學(xué)習(xí)率、epoch和batch size等。學(xué)習(xí)率影響損失梯度下降的速度。在一定范圍內(nèi),batch size越大梯度下降越準(zhǔn),訓(xùn)練震蕩越小,過(guò)大會(huì)陷入局部最優(yōu)。因此參數(shù)設(shè)置影響了收斂精度、模型準(zhǔn)確率、訓(xùn)練耗時(shí)等。通過(guò)多次訓(xùn)練,最終選取batch size為4,學(xué)習(xí)率為0.01。當(dāng)epoch達(dá)到1×104次時(shí),模型的準(zhǔn)確率趨于穩(wěn)定,故本文選擇的最終epoch為1×104次。本文使用的實(shí)驗(yàn)環(huán)境是pytorch框架,它運(yùn)行在Ubuntu20.04系統(tǒng)下,使用的GPU為3塊GTX-1080TI。

4.4 Loss曲線(xiàn)

圖5為L(zhǎng)oss曲線(xiàn)圖。由圖5可見(jiàn):訓(xùn)練過(guò)程中YOLOv3-spp網(wǎng)絡(luò)的LOSS曲線(xiàn)隨著迭代次數(shù)增加逐漸收斂,可以獲得更小和更平穩(wěn)的損失值。

圖5 Loss曲線(xiàn)Fig.5 Loss curve

Lbox部分即GIoU_loss,IoU (intersection over union)表示預(yù)測(cè)框與實(shí)際框的交并比,而GIoU (generalized intersection over union)同時(shí)關(guān)注了預(yù)測(cè)框和真實(shí)框的重合與非重合區(qū)域,其中C代表兩個(gè)框最小閉包區(qū)域面積。而Lbox就是預(yù)測(cè)框的GIoU損失值,L為總損失值。IoU和GIoU公式如下:

(1)

(2)

(3)

(4)

(5)

L=Lbox+Lobj+Lcls

(6)

4.5 對(duì)比研究

在目標(biāo)檢測(cè)中,Faster R-CNN[20]是常用的二級(jí)網(wǎng)絡(luò),而SSD(Single Shot MultiBox Detector)[21]和YOLO都是一級(jí)網(wǎng)絡(luò)。為了評(píng)估本文提出的方法,在相同圖像數(shù)據(jù)集下對(duì)比3種檢測(cè)網(wǎng)絡(luò)在輪轂表面缺陷上的性能,并以AP、mAP和檢測(cè)速度作為評(píng)價(jià)指標(biāo)。其中AP是某一類(lèi)缺陷的平均準(zhǔn)確率,mAP是所有輪轂表面缺陷種類(lèi)的總平均準(zhǔn)確率,實(shí)驗(yàn)在驗(yàn)證集上比較結(jié)果。同時(shí)為了充分考慮數(shù)據(jù)集的影響進(jìn)行兩組訓(xùn)練實(shí)驗(yàn)。實(shí)驗(yàn)1在樣本擴(kuò)充后的數(shù)據(jù)集上隨機(jī)篩選劃分訓(xùn)練與驗(yàn)證集; 實(shí)驗(yàn)2則在樣本擴(kuò)充前的400幅圖片數(shù)據(jù)集上進(jìn)行訓(xùn)練集和驗(yàn)證集的劃分,劃分完成后分別對(duì)訓(xùn)練集和驗(yàn)證集進(jìn)行數(shù)據(jù)集增強(qiáng),使得訓(xùn)練集和驗(yàn)證集不相關(guān)。實(shí)驗(yàn)結(jié)果分別如表1和表2所示,3種網(wǎng)絡(luò)的檢測(cè)速度對(duì)比如表3所示。

表1 實(shí)驗(yàn)1平均準(zhǔn)確率對(duì)比Tab.1 Experiment 1 comparison ofaverage precision (%)

表2 實(shí)驗(yàn)2平均準(zhǔn)確率對(duì)比Tab.2 Experiment 2 comparison ofaverage precision (%)

表3 檢測(cè)速度對(duì)比Tab.3 Comparison of detection speed s

由表1～表3可以發(fā)現(xiàn):與使用ResNet-50作為主干特征提取網(wǎng)絡(luò)的Faster R-CNN相比,YOLOv3-spp的各缺陷識(shí)別準(zhǔn)確率更高。這是由于Faster R-CNN在目標(biāo)檢測(cè)時(shí)使用的是最后一層特征圖,它的像素點(diǎn)少,對(duì)于小目標(biāo)來(lái)說(shuō)檢測(cè)困難。而YOLOv3-spp網(wǎng)絡(luò)中引入了特征融合金字塔結(jié)構(gòu)且在3個(gè)特征層上分別進(jìn)行預(yù)測(cè)。同時(shí)YOLOv3-spp算法相比Faster R-CNN算法檢測(cè)時(shí)間大幅縮短,滿(mǎn)足工業(yè)生產(chǎn)的實(shí)時(shí)性要求。其主要原因是YOLOv3-spp算法是一級(jí)檢測(cè)網(wǎng)絡(luò),而Faster R-CNN算法是二級(jí)檢測(cè)網(wǎng)絡(luò),故網(wǎng)絡(luò)較深、參數(shù)較多,檢測(cè)速度遠(yuǎn)低于一級(jí)檢測(cè)網(wǎng)絡(luò)。

與同樣使用ResNet-50作為主干特征提取網(wǎng)絡(luò)的SSD算法相比,由于SSD算法也是一級(jí)網(wǎng)絡(luò),它們的檢測(cè)速度都很快,且由于SSD算法沒(méi)有特征融合層而是利用了多個(gè)特征層直接輸出預(yù)測(cè)結(jié)果,因此它的速度更快,但其準(zhǔn)確率在3種網(wǎng)絡(luò)中最低。

由實(shí)驗(yàn)1和實(shí)驗(yàn)2對(duì)比可知,當(dāng)訓(xùn)練用驗(yàn)證集和訓(xùn)練集不相關(guān)時(shí),神經(jīng)網(wǎng)絡(luò)檢測(cè)準(zhǔn)確率大幅下降,其主要原因是樣本數(shù)量不夠多,種類(lèi)不夠豐富。

4.6 測(cè)試圖片準(zhǔn)確率

為測(cè)試3種網(wǎng)絡(luò)泛用性,分別用實(shí)驗(yàn)1和實(shí)驗(yàn)2得到的權(quán)重文件對(duì)測(cè)試集圖片(每種缺陷各50幅)進(jìn)行檢測(cè)實(shí)驗(yàn),測(cè)試結(jié)果如表4和表5所示。

表4 實(shí)驗(yàn)1測(cè)試集準(zhǔn)確率對(duì)比Tab.4 Experiment 1 comparison ofprecision of test set (%)

表5 實(shí)驗(yàn)2測(cè)試集準(zhǔn)確率對(duì)比Tab.5 Experiment 2 comparison of precision of test set (%)

測(cè)試結(jié)果表明,在泛用性方面3種網(wǎng)絡(luò)的檢測(cè)準(zhǔn)確率都在實(shí)驗(yàn)1和實(shí)驗(yàn)2的準(zhǔn)確率之間,且兩種不同的劃分?jǐn)?shù)據(jù)集方式對(duì)測(cè)試集結(jié)果并未造成太大影響。由表4可知,YOLOv3-spp算法在檢測(cè)速度更快的同時(shí),測(cè)試準(zhǔn)確率相對(duì)Faster R-CNN網(wǎng)絡(luò)有一定優(yōu)勢(shì)。其在測(cè)試集上只有針孔缺陷識(shí)別率低于Faster R-CNN算法,原因可能是針孔缺陷一般面積較大且分散,其邊界位置判定困難導(dǎo)致位置偏差。Faster R-CNN作為二級(jí)網(wǎng)絡(luò),其中RPN候選框生成網(wǎng)絡(luò)在識(shí)別目標(biāo)之前對(duì)預(yù)測(cè)邊界框進(jìn)行了一次定位使得邊框回歸更準(zhǔn)確。SSD網(wǎng)絡(luò)的測(cè)試集準(zhǔn)確率則全面低于其它兩類(lèi)神經(jīng)網(wǎng)絡(luò)。

4.7 檢測(cè)效果

將測(cè)試集圖片輸入YOLOv3-spp神經(jīng)網(wǎng)絡(luò),使用訓(xùn)練好的權(quán)重驗(yàn)證測(cè)試集圖片,檢測(cè)效果如圖6所示。

圖6 4種缺陷檢測(cè)示意圖Fig.6 Schematic diagram of four kinds of defect detection

最高置信度的類(lèi)別與實(shí)際結(jié)果對(duì)比得到的漏報(bào)、誤報(bào)和框位置不完全準(zhǔn)確示意圖如圖7所示。

圖7 框位置不準(zhǔn)、漏檢和誤檢示意圖Fig...7 Schematic diagram of frame inaccuracy, missed and false detection

4.8 目前存在的問(wèn)題和解決方法

1) 由于采用的是生產(chǎn)現(xiàn)場(chǎng)采集的真實(shí)數(shù)據(jù),缺陷種類(lèi)較為復(fù)雜多樣,且對(duì)于單獨(dú)某一種缺陷種類(lèi)也會(huì)有各種形態(tài)和特征。因篩選出的數(shù)據(jù)集圖片數(shù)量有限,缺陷種類(lèi)不夠豐富,每種缺陷的數(shù)據(jù)量也不是很大,導(dǎo)致總會(huì)有模型沒(méi)有學(xué)習(xí)過(guò)的缺陷特征出現(xiàn)。對(duì)此可在未來(lái)采集更多的數(shù)據(jù)擴(kuò)充數(shù)據(jù)集的數(shù)量和種類(lèi),從而提升模型的準(zhǔn)確性。同時(shí)使用更豐富的數(shù)據(jù)集增強(qiáng)方法,人為擴(kuò)充數(shù)據(jù)集數(shù)量,增加缺陷特征豐富度。

2) 由于有些輪轂表面缺陷相對(duì)于輪轂本身非常小,存在特征提取困難的情況,未來(lái)可以在小目標(biāo)檢測(cè)方向加以改進(jìn)。

3) 本文使用的是未改進(jìn)的YOLOv3-spp網(wǎng)絡(luò),今后可在該網(wǎng)絡(luò)基礎(chǔ)上針對(duì)輪轂缺陷的特點(diǎn)進(jìn)行改進(jìn),進(jìn)一步提高識(shí)別率。

5 結(jié) 論

本文在工業(yè)現(xiàn)場(chǎng)數(shù)據(jù)集上運(yùn)用YOLOv3-spp網(wǎng)絡(luò)進(jìn)行輪轂表面缺陷預(yù)測(cè),通過(guò)不同學(xué)習(xí)網(wǎng)絡(luò)及數(shù)據(jù)集篩選方法,對(duì)輪轂缺陷進(jìn)行檢測(cè)及對(duì)比分析。實(shí)驗(yàn)結(jié)果表明:相較于Faster R-CNN和SSD算法,該算法在滿(mǎn)足實(shí)時(shí)性的情況下準(zhǔn)確率較高,提升了整體的檢測(cè)效果,在包含點(diǎn)狀、線(xiàn)性、油泥油漆、針孔4類(lèi)缺陷的數(shù)據(jù)集上,其平均準(zhǔn)確率分別為84.5%、93.4%、95.4%和89.5%,檢測(cè)速度達(dá)到35 ms/幅,但仍存在缺陷漏檢誤檢的情況。后續(xù)將研究進(jìn)一步的改進(jìn)措施,可嘗試增加圖像預(yù)處理提高圖像質(zhì)量;增加原樣本的數(shù)量和種類(lèi);通過(guò)數(shù)據(jù)集增強(qiáng)提高數(shù)據(jù)集泛化能力;根據(jù)輪轂缺陷圖像特點(diǎn)優(yōu)化卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)、調(diào)整網(wǎng)絡(luò)參數(shù),從而提高檢測(cè)效率。