Resumen

En los últimos años, cada vez más estudiosos se han dedicado a la investigación del algoritmo de detección de objetivos debido al continuo desarrollo del aprendizaje profundo. Entre ellos, la detección y el reconocimiento de objetivos pequeños y complejos siguen siendo un problema a resolver. Los autores de este artículo han comprendido las deficiencias del algoritmo de detección de aprendizaje profundo en la detección de objetivos de defectos pequeños y complejos y les gustaría compartir un nuevo algoritmo mejorado de detección de objetivos en la detección de defectos de la superficie del acero. Los defectos de la superficie del acero afectan seriamente a la calidad del mismo. Encontramos que la mayoría de los algoritmos de detección actuales para la precisión de detección del conjunto de datos NEU-DET son bajos, por lo que elegimos verificar un algoritmo de detección de defectos de la superficie del acero basado en la visión artificial en este conjunto de datos para el problema de la detección de defectos en la producción de acero. Se llevan a cabo una serie de medidas de mejora en el algoritmo tradicional Faster R-CNN, como la reconstrucción de la estructura de la red de Faster R-CNN. Basándonos en las características pequeñas del objetivo, entrenamos la red con fusión multiescala. Para las características complejas del objetivo, sustituimos parte de la red de convolución convencional por una red de convolución deformable. Los resultados experimentales muestran que el modelo de red de aprendizaje profundo entrenado por el método propuesto tiene un buen rendimiento de detección, y la precisión media es de 0,752, que es 0,128 más alta que el algoritmo original. Entre ellos, la precisión media de cuarteo, inclusión, parches, superficie picada, laminado en escala y arañazos es de 0,501, 0,791, 0,792, 0,874, 0,649 y 0,905, respectivamente. El método de detección es capaz de identificar eficazmente los pequeños defectos objetivo en la superficie del acero, lo que puede proporcionar una referencia para la detección automática de los defectos del acero.

• Materias:Inteligencia artificial Minería de datos Algoritmos genéticos Neurofisiología Proceso de aprendizaje
• Subjects:Artificial intelligence Data mining Genetic algorithms Neurophysiology Learning processes
• Palabras claves:superficie del acero, algoritmo de detección de objetivos, estructura de más rápido, precisión media, algoritmo de detección de aprendizaje, modelo de red de aprendizaje, precisión de cuarteo, objetivo de defectos complejos, serie de mejora, calidad del acero
• Keywords:steel surface, target detection algorithm, structure of faster, means average precision, learning detection algorithm, learning network model, precision of crazing, complex defects target, series of improvement, quality of steel