针对目前铸件缺陷检测漏检率高的问题,提出一种基于深度学习模型融合的铸件缺陷检测方法。首先对Faster RCNN网络进行改进,利用特征金字塔结构改进特征提取网络模块,实现多尺度的特征融合,完成铸件缺陷的特征提取;然后,基于ROI Align对网络中的ROI池化层进行改进,将IOU分数引入NMS算法判定过程;再将改进后的网络与Cascade RCNN以及YOLOv3进行融合;最后进行实验研究,验证了融合模型能够有效降低铸件缺陷的漏检率。实验结果表明,将感兴趣区域池化改进后,在Faster RCNN模型中的缺陷召回率提升了1.73%,在本文网络模型中的缺陷召回率提升了4.08%;采用模型融合的方法在不考虑分类准确度的情况下,整个模型的缺陷识别率达到95.71%,与单个模型相比,在保证铸件缺陷检测准确率的同时,提高了缺陷检测的召回率,满足了工业应用的要求。 (本文共计1页)......[继续阅读本文]