融合引导锚框算法的Faster-RCNN缺陷检测

针对传统零件表面缺陷检测方法准确性差效率低，无法满足智能制造需求的问题，提出基于Faster-RCNN深度学习算法的缺陷检测方法。在Faster-RCNN基本算法的基础上，引入引导锚框算法生成anchor方案，解决算法中anchor方案对本次检测的缺陷目标缺乏针对性、产生大量的冗余区域建议窗口的问题，以提高检测的准确性和效率；通过对比非极大值抑制中不同的IOU阈值对检测结果的影响，确定最优的IOU阈值，并设计零件缺陷样本采集方案，建立三种零件缺陷数据集，在此基础上对方法的有效性进行试验验证。实验结果表明，该方法能够大幅度提高零件表面缺陷检测的准确性和效率，各缺陷检测结果的平均精度可达97.7%以上，平均检测速度达到4.3 fps，满足了智能制造的急迫需求。