Print

基于改进Faster R-CNN的子弹外观缺陷检测

论文摘要

为了实现子弹外观缺陷的自动检测,解决传统机器视觉方法在缺陷检测方面手工设计目标特征耗时和泛化能力差的问题,针对子弹外观缺陷数据集,采用K-means++算法改进锚框的生成方法,提出了Faster R-CNN子弹外观缺陷检测模型。该模型采用卷积神经网络,可以自动提取目标特征,泛化能力强。将该检测模型分别与ZFNet、VGGCNNM1024和VGG16结合,结果表明,与VGG16结合的检测模型的检测精度高于其他两种模型方案,并且在所提算法的基础上,精度提升到了97.75%,速度达到28frame·s-1。

论文目录

  • 1 引言
  • 2 检测网络结构模型
  •   2.1 卷积神经网络
  •   2.2 区域建议网络
  •   2.3 RoI池化
  •   2.4 目标检测
  • 3 Anchor生成方法改进
  •   3.1 平移不变的anchor
  •   3.2 基于K-means++改进anchor的生成方法
  • 4 实验与分析
  •   4.1 实验环境
  •   4.2 实验数据集
  •   4.3 实验结果与分析
  • 5 结论

    • 文章来源

    类型: 期刊论文

    作者: 马晓云,朱丹,金晨,佟新鑫

    关键词: 测量,目标检测,子弹外观缺陷,卷积神经网络

    来源: 激光与光电子学进展 2019年15期

    年度: 2019

    分类: 信息科技,工程科技Ⅱ辑

    专业: 武器工业与军事技术,自动化技术

    单位: 中国科学院沈阳自动化研究所,中国科学院机器人与智能制造创新研究院,中国科学院大学,中国科学院光电信息处理实验室,辽宁省图像理解与视觉计算重点实验室

    分类号: TJ410.5;TP183

    页码: 117-124

    总页数: 8

    文件大小: 2434K

    下载量: 542

    相关论文文献

    本文来源: https://www.lunwen66.cn/article/2f999e57c68bb6eca436c00b.html