基于异域数据联邦学习的金属板表面划痕检测

基于异域数据联邦学习的金属板表面划痕检测

TP391; 由于真实工业场景下的部分工业缺陷太少,导致深度学习应用在表面缺陷检测困难.针对金属板材表面缺陷检测的真实工业环境中所存在的小样本问题,本文提出了异域数据联邦检测模型,采用轻量级网络MobileNet-YOLOv3,有效利用不同领域的划痕数据,分场景训练检测模型.实验结果表明,通过异域数据结合训练的检测模型拥有一个很好的划痕检测效果,金属板训练的本地模型的mAP为94.95％,比传统数据增广方法训练模型mAP高5％,比YOLOv3的推理速度减少44.8％....

Ausführliche Beschreibung

Gespeichert in:
Bibliographische Detailangaben
Veröffentlicht in:安阳工学院学报 2022, Vol.21 (6), p.40-44
Hauptverfasser: 蔡剑锋, 柏俊杰, 向洪成, 胡林, 周涛琪, 高帅
Format: Artikel
Sprache:chi
Online-Zugang:Volltext
Tags: Tag hinzufügen
Keine Tags, Fügen Sie den ersten Tag hinzu!
Beschreibung
Zusammenfassung:TP391; 由于真实工业场景下的部分工业缺陷太少,导致深度学习应用在表面缺陷检测困难.针对金属板材表面缺陷检测的真实工业环境中所存在的小样本问题,本文提出了异域数据联邦检测模型,采用轻量级网络MobileNet-YOLOv3,有效利用不同领域的划痕数据,分场景训练检测模型.实验结果表明,通过异域数据结合训练的检测模型拥有一个很好的划痕检测效果,金属板训练的本地模型的mAP为94.95％,比传统数据增广方法训练模型mAP高5％,比YOLOv3的推理速度减少44.8％.
ISSN:1673-2928
DOI:10.19329/j.cnki.1673-2928.2022.06.011