摘要： 针对传统铸件表面缺陷检测方法不能进行分类检测、检测效率低以及检测精度低等问题，提出了一种深度网络自适应优化的Mask R-CNN模型，将其应用于铸件表面缺陷检测中，实现缺陷的精确识别和分类。选择裂纹、气孔和缩松3种常见缺陷作为研究对象，使用Labelme图像标注工具对铸件表面缺陷图像进行了标注，生成数据集。同时，运用PyTorch深度学习框架搭建Mask R-CNN模型，利用深度迁移学习的网络自适应策略优化模型的泛化能力。通过主干特征提取网络对输入的图形数据进行全图特征提取；采用区域建议网络(Regional Proposal Network, RPN)生成区域建议框；利用RoI Align获取感兴趣区域，通过分类、回归网络分别进行分类、回归，同时进行掩膜生成；在铸件表面缺陷检测平台上进行验证实验，并与其他深度学习检测方法进行对比。实验结果表明，优化后的Mask R-CNN模型整体性能优于原Mask R-CNN模型、Faster R-CNN模型和YOLO v3模型，能准确检测出常见的铸件表面缺陷，平均检测精度mAP达到92%,对铸件表面缺陷检测领域有较好的研究应用价值。
中图分类号: