控制与决策

作者：常青,郑世祺,邓宇书,唐小琦

单位：中国地质大学武汉 自动化学院,武汉 430074;邵阳先进制造技术研究院, 湖南 邵阳 422100,,中国地质大学武汉 自动化学院,武汉 430074;邵阳先进制造技术研究院, 湖南 邵阳 422100,,邵阳先进制造技术研究院, 湖南 邵阳 422100,,邵阳先进制造技术研究院, 湖南 邵阳 422100;华中科技大学 机械科学与工程学院,武汉 430074,

关键词：缺陷检测;竹片;OTSU算法;LBP算法;ResNet50;迁移学习

基金：国家自然科学基金项目(52375520)；湖南省区域联合基金项目(2023JJ50037)；湖北省重点研发计划项目(2023BAB172,2023DJC173).

在竹片表面缺陷检测中,竹片表面缺陷形状各异,成像环境脏乱,现有基于卷积神经网络(CNN)的目标检测方法面对这样特定的数据时检测准确率较低;竹片来源复杂且有其他条件限制,例如不同季节成色各异等限制,无法采集所有类型的数据,导致竹片表面缺陷数据量少,以至于CNN不能充分学习.针对以上问题,提出一种改进的ResNet50网络与迁移学习结合的竹片缺陷识别方法.首先,将获得的正负样本数据按照一定比例分为训练集、验证集和测试集;其次,利用OTSU算法和LBP算法对竹片图像进行二值化处理和特征提取,以减少噪音影响;最后,将ResNet50作为骨干网络加入$L_2$正则化和标签平滑与迁移学习结合,得到适应于竹片缺陷检测识别的优化模型.将所提检测网络与VGG16、DenseNet121、ResNet50以及目前常用于工业检测的YOLOv3分别在相同比例训练测试集上进行训练和测试.实验结果表明,在竹片数据集上所提检测网络的平均精度均值(mAP)比VGG16、DenseNet121、YOLOv3和ResNet50分别提高了23.45%、18.6%、19.51%和2.76%.所提方法能够针对形状各异的竹片表面缺陷进行有效检测,且降低时间消耗,在实际工业运用中具有很好的效果.

来源：2025年第2期

《控制与决策》期刊编辑部

查看控制与决策杂志2025年第2期