基金项目:北京市自然科学基金资助项目(4202015)收稿日期:2021-11-08修回日期:2021-11-16第40卷第4期计算机仿真2023年4月文章编号:1006-9348(2023)04-0160-05基于机器视觉的小样本零部件表面DD佟鑫,郑彤∗,于重重,叶洋(北京工商大学人工智能学院,北京100048)摘要:现有汽车零部件表面缺陷检测方法大多数都是依靠人工目检或传统的图像处理方法,其检测精度和速度都不能满足零部件工厂需求。由于汽车零部件的残次率低,导致可用的数据量少,一般的深度学习模型不能很好地应用于汽车零部件表面缺陷检测。针对上述问题,提出一种基于机器视觉的小样本汽车零部件表面缺陷检测方法。上述方法在FasterRCNN检测网络基础上,采用指导框区域候选网络改进原有的区域候选网络,并且利用聚焦式损失函数来进一步改善正负样本不均衡的问题,同时加入循环特征金字塔结构以及组合特征关系检测器。在汽车零部件表面缺陷数据集和小样本FSOD数据集上的实验结果表明,小样本汽车零部件表面缺陷检测模型较好地实现了在小样本零部件数据条件下对零部件表面缺陷的检测。关键词:缺陷检测(DD);小样本学习;指导框区域候选网络;循环特征金字塔;组合特征关系检测器中图分类号:TP391.9文献标识码:BSurfaceDefectDetectionofFew-ShotPartsBasedonMachineVisionTONGXin,ZHENGTong∗,YUChong-chong,YEYang(CollegeofArtificialIntelligence,BeijingTechnologyandBusinessUniversity,Beijing100048,China)ABSTRACT:Mostoftheexistingsurfacedefectdetectionmethodsofautomobilepartsrelyonmanualvisualinspec-tionortraditionalimageprocessingmethods,andtheirdetectionaccuracyandspeedcannotmeettheneedsofpartsfactories.Duetothelowdefectrateofautoparts,theamountofavailabledataissmall,andthegeneraldeeplearningmodelcannotbewellappliedtothesurfacedefectdetectionofautoparts.Tosolvetheaboveproblems,afew-shotsurfacedefectdetectionmethodofautomobilepartsbasedonmachinevisionisproposed.BasedontheFasterRCNNdetectionnetwork,thismethodusestheguidedanchoringregionproposalnetworktoimprovetheoriginalregionpro-posalnetwork,andusesthefocallossfunctiontofurtherimprovetheimbalancebetweenpositiveandnegativesam-ples.Atthesametime,itaddstherecursivefeaturepyramidstructureandthecombinedfeaturerelationdetector.Theexperimentalresultsonautomobilepartssurfac...
