李 蘭,奚舒舒,張才寶,馬鴻洋

(1.青島理工大學(xué)信息與控制工程學(xué)院,山東 青島 266500;2.青島理工大學(xué)理學(xué)院,山東 青島 266500)

1 引言

機(jī)械加工過程中,由于刀具種類或者操作的影響,在加工工件表面會(huì)形成各種不同的紋理，實(shí)際生產(chǎn)中將這些紋理統(tǒng)稱為工件表面缺陷。隨著現(xiàn)代工業(yè)的迅速發(fā)展，機(jī)械制造業(yè)對(duì)工件質(zhì)量的要求也逐漸提高，工件表面的缺陷大小和類型都直接關(guān)系到機(jī)械設(shè)備的成本、工作性能以及使用壽命等問題。因此，有效地檢測(cè)出工件表面缺陷對(duì)于提高工件利用率、維持設(shè)備的正常工作具有重要作用。傳統(tǒng)的人工檢測(cè)方法易受主觀判斷的影響，導(dǎo)致檢測(cè)精度不穩(wěn)定、效率較低，已經(jīng)無法滿足生產(chǎn)需求?；趥鹘y(tǒng)機(jī)器視覺(Machine Vision)的檢測(cè)方法在許多案例中取得了可靠的結(jié)果，但是需要特定的預(yù)處理方法并利用專業(yè)知識(shí)提取具有代表性的特征。為了適應(yīng)現(xiàn)代機(jī)械制造業(yè)的發(fā)展，越來越多的研究者開始研究基于深度學(xué)習(xí)的缺陷檢測(cè)方法。深度學(xué)習(xí)作為一種簡(jiǎn)單快速的數(shù)據(jù)分析方法，在圖像處理、目標(biāo)檢測(cè)等領(lǐng)域取得了突破性的進(jìn)展。隨著深度學(xué)習(xí)的不斷進(jìn)步，卷積神經(jīng)網(wǎng)絡(luò)以其速度快、效率高、抗干擾能力強(qiáng)等突出優(yōu)點(diǎn)在目標(biāo)檢測(cè)[1]任務(wù)上有著非常突出的表現(xiàn),成為了機(jī)械制造業(yè)中檢測(cè)技術(shù)的研究熱點(diǎn)之一。

近年來，基于深度學(xué)習(xí)和機(jī)器視覺的缺陷監(jiān)測(cè)技術(shù)逐漸被工業(yè)生產(chǎn)所采用[2],有效地促進(jìn)了智能制造業(yè)的發(fā)展。深度學(xué)習(xí)算法在分類和目標(biāo)檢測(cè)任務(wù)中表現(xiàn)出了最先進(jìn)的特性，其在表面缺陷檢測(cè)中也得到了廣泛的應(yīng)用。例如，王憲保等人[3]在2014年采用深度信念網(wǎng)絡(luò)(Deep Belief Network)來獲得太陽能電池的訓(xùn)練圖像與非缺陷模板之間的關(guān)系，并通過重建圖像與缺陷圖像的比較來完成測(cè)試圖像的缺陷檢測(cè)；Cha等人[4]在2017年利用深度卷積神經(jīng)網(wǎng)絡(luò)(Deep Convolutional Neural Network)來識(shí)別復(fù)雜情況下的混凝土裂縫，如較強(qiáng)的斑點(diǎn)、陰影、超薄裂縫等缺陷，證明深度卷積神經(jīng)網(wǎng)絡(luò)優(yōu)于Canny邊緣檢測(cè)、Sobel邊緣檢測(cè)等傳統(tǒng)算法；喬麗等人[5]在2017年提出缺陷分辨率(Defect Resolution)的概念來衡量缺陷的程度，結(jié)果顯示缺陷檢測(cè)率可達(dá)93.3%。以上研究充分展示了深度學(xué)習(xí)在表面缺陷檢測(cè)中的優(yōu)異性能。目前，深度學(xué)習(xí)進(jìn)入了一個(gè)全新的階段，圖像處理技術(shù)不斷進(jìn)步。研究基于卷積神經(jīng)網(wǎng)絡(luò)CNN(Convolutional Neural Network)圖像檢測(cè)方法[6]的學(xué)者越來越多。前期的深度學(xué)習(xí)方法主要是以R-CNN[7]為基礎(chǔ)，隨后相繼出現(xiàn)了Fast-RCNN[8]、Faster-RCNN[9]和Mask-RCNN[10]等網(wǎng)絡(luò)模型，但上述這些兩階段網(wǎng)絡(luò)模型存在模型過于龐大的情況。為了解決此問題，2016年Redmon等人[11,12]提出了YOLO網(wǎng)絡(luò)，簡(jiǎn)化了網(wǎng)絡(luò)模型,大大提高了檢測(cè)速度。隨后，Liu等人[13]提出了SSD(Single Shot multiBox Detector)多尺度特征圖的目標(biāo)檢測(cè)算法，在YOLO的基礎(chǔ)上進(jìn)一步提高了檢測(cè)精度，是至今為止較為優(yōu)秀的目標(biāo)檢測(cè)算法。

針對(duì)工件表面缺陷檢測(cè)問題，趙君愛等人[14]在2004年提出了一種基于像元搜索算法的微小缺陷檢測(cè)方法，但該方法檢測(cè)速度較慢并且不適合數(shù)據(jù)集龐大的缺陷檢測(cè)。Li等人[15]在2018年提出基于深度學(xué)習(xí)MobileNet-SSD模型的表面缺陷檢測(cè)算法，并將其應(yīng)用于實(shí)際生產(chǎn)，但此算法不能普遍用于一般性能的系統(tǒng)。

為了更精確、高效地檢測(cè)工件表面缺陷，避免傳統(tǒng)檢測(cè)方法的缺點(diǎn)，本文提出基于改進(jìn)SSD網(wǎng)絡(luò)模型的工件表面缺陷檢測(cè)算法，該算法在MobileNet網(wǎng)絡(luò)的基礎(chǔ)上提出DH-MobileNet網(wǎng)絡(luò)模型，并以此代替SSD網(wǎng)絡(luò)模型中的VGG16，優(yōu)化了參數(shù)，縮短了訓(xùn)練時(shí)間；針對(duì)SSD網(wǎng)絡(luò)模型的后續(xù)卷積層之間傳輸造成的信息損失問題，引入反向殘差結(jié)構(gòu)，同時(shí)為了提高對(duì)小目標(biāo)檢測(cè)的精度，采用空洞卷積代替反向殘差結(jié)構(gòu)中的下采樣操作。利用掃描電子顯微鏡SEM(Scanning Electron Microscope)獲得解析度較高的圖像，能夠清晰地獲取工件表面缺陷的特征。最后通過優(yōu)化數(shù)據(jù)集和訓(xùn)練網(wǎng)絡(luò)模型來完成工件表面缺陷檢測(cè)，為工業(yè)生產(chǎn)中的缺陷檢測(cè)問題提供了新的方案。

2 傳統(tǒng)SSD目標(biāo)檢測(cè)模型

2.1 SSD模型結(jié)構(gòu)

SSD是由Liu等人[13]在ECCV2016會(huì)議上提出的一個(gè)回歸模型，它利用不同的卷積層進(jìn)行邊界和分類回歸，達(dá)到較好的檢測(cè)效果和速度。SSD網(wǎng)絡(luò)模型包含2部分，第1部分是具有高分類精度且刪除了其分類層的VGG16網(wǎng)絡(luò)結(jié)構(gòu)；第2部分是使用卷積層取代2個(gè)全連接層并增加4個(gè)卷積層構(gòu)建的網(wǎng)絡(luò)結(jié)構(gòu)，加入了特征金字塔[16]的檢測(cè)方式，從而實(shí)現(xiàn)多尺度目標(biāo)檢測(cè)。SSD網(wǎng)絡(luò)模型結(jié)構(gòu)如圖1所示。

Figure 1 Structure of SSD network model圖1 SSD網(wǎng)絡(luò)模型結(jié)構(gòu)圖

2.2 默認(rèn)框的尺度計(jì)算

在SSD網(wǎng)絡(luò)模型中，每一個(gè)選定的特征圖有k個(gè)大小和寬度比不同的幀，這些幀稱為默認(rèn)框。不同卷積層輸出的特征圖如圖2所示。

Figure 2 Characteristic graphs of different convolutional layers圖2 不同卷積層輸出的特征圖

每個(gè)默認(rèn)框預(yù)測(cè)B類目標(biāo)和4個(gè)位置參數(shù)，本文實(shí)驗(yàn)B設(shè)置為3，因?yàn)樵诠ぜ砻嬷杏?種典型的缺陷，每個(gè)特征圖的默認(rèn)框的計(jì)算如式(1)所示:

(1)

其中，n表示特征圖的數(shù)量；Pmin和Pmax是可以設(shè)置的參數(shù)，本次實(shí)驗(yàn)分別取0.2和0.9，即最低層特征圖的默認(rèn)框占該特征圖的比例是0.2，最高層默認(rèn)框占該特征圖的比例是0.9；Pi表示第i個(gè)特征圖的尺度。為了使訓(xùn)練過程和測(cè)試實(shí)驗(yàn)中的特征向量保持一致，本文實(shí)驗(yàn)使用相同的5種寬高比ar={1，2，3，0.5，0.33}來生成默認(rèn)框，每個(gè)默認(rèn)框可以描述為:

(2)

(3)

2.3 損失函數(shù)

SSD網(wǎng)絡(luò)模型對(duì)目標(biāo)位置和種類同時(shí)進(jìn)行回歸訓(xùn)練，訓(xùn)練過程中產(chǎn)生的損失量利用損失函數(shù)來計(jì)算。SSD網(wǎng)絡(luò)模型的總體目標(biāo)損失函數(shù)[17]是位置損失函數(shù)(loc) 和置信損失函數(shù)(conf)的加權(quán)和，如式(4)所示:

(4)

其中，參數(shù)x∈(0,1),表示默認(rèn)框和實(shí)際檢測(cè)框是否匹配成功；參數(shù)α用來平衡置信損失和位置損失；c是分類置信度；l代表預(yù)測(cè)框；g代表真實(shí)標(biāo)簽框；N是與該類別的校準(zhǔn)框匹配的默認(rèn)框數(shù)量。當(dāng)N等于0時(shí)，說明損失為0。

位置損失函數(shù)是預(yù)測(cè)框l和真實(shí)標(biāo)簽框g參數(shù)之間的smoothL1損失，(cx,cy)是默認(rèn)邊框 的中心，(w,h)是默認(rèn)框的寬和高，定義如式(5)所示：

(5)

置信損失函數(shù)的定義如式(6)所示:

(6)

與原始MultiBox[18]的匹配方法不同,SSD網(wǎng)絡(luò)模型訓(xùn)練時(shí)的匹配策略是先匹配默認(rèn)邊界框與實(shí)際邊界框，若兩者的重疊率IoU(Intersection over Union)大于閾值(默認(rèn)閾值為0.5)，則默認(rèn)檢測(cè)框與真實(shí)框匹配；反之，若重疊率小于0.5，則認(rèn)為兩者不匹配。

3 本文模型的設(shè)計(jì)與優(yōu)化

SSD網(wǎng)絡(luò)模型在目標(biāo)檢測(cè)中表現(xiàn)出了較好的性能，但其在檢測(cè)過程中所需參數(shù)較多，且后續(xù)的卷積層忽視了層與層之間的連接關(guān)系，在增加了計(jì)算量的同時(shí)對(duì)小目標(biāo)的檢測(cè)效果較差，容易出現(xiàn)漏檢、誤檢等問題。MobileNet網(wǎng)絡(luò)模型所用參數(shù)較少，縮短了訓(xùn)練時(shí)間，但同時(shí)存在檢測(cè)精確度不高的問題。為了在減少訓(xùn)練參數(shù)的同時(shí)提高網(wǎng)絡(luò)精確度，本文首先結(jié)合空洞卷積(Dilated Convolution)[19]和層級(jí)特征融合HFF(Hierarchical Feature Fusion)[20]提出DH-MobileNet網(wǎng)絡(luò)模型，并以此來代替SSD網(wǎng)絡(luò)模型中的VGG16；然后利用反向殘差結(jié)構(gòu)對(duì)SSD網(wǎng)絡(luò)模型的后續(xù)卷積層進(jìn)行改進(jìn)。優(yōu)化后的SSD網(wǎng)絡(luò)模型結(jié)構(gòu)如圖3所示。

Figure 3 Optimized SSD network model圖3 優(yōu)化后的SSD網(wǎng)絡(luò)模型

3.1 DH-MobileNet網(wǎng)絡(luò)特征提取原理

MobileNet是Howard等人[21]提出的一種輕量級(jí)卷積神經(jīng)網(wǎng)絡(luò)，基本單元為深度可分離卷積，訓(xùn)練時(shí)所需參數(shù)較少，能夠節(jié)省時(shí)間并且可以實(shí)現(xiàn)移動(dòng)設(shè)備的部署。MobileNet網(wǎng)絡(luò)模型的結(jié)構(gòu)如圖4所示。

Figure 4 Structure of MobileNet圖4 MobileNet網(wǎng)絡(luò)模型結(jié)構(gòu)圖

圖4為MobileNet的網(wǎng)絡(luò)結(jié)構(gòu)圖，其中Conv-Dw-Pw是一種深度可分離的卷積結(jié)構(gòu)。由深度卷積Dw(Depth-wise)和點(diǎn)卷積Pw(Point-wise) 2部分構(gòu)成。Dw由3×3的深度卷積核構(gòu)成，Pw由1×1的點(diǎn)卷積核構(gòu)成。BN(Batch Normalization)代表批處理規(guī)范化，ReLU6表示激活函數(shù)。

模型訓(xùn)練過程中，會(huì)通過池化操作增大感受野，從而提高檢測(cè)精確度，但是池化操作會(huì)造成圖像信息部分缺失的問題?？斩淳矸e可以在不損失圖像信息的同時(shí)增大輸入圖像的感受野，因此本文將空洞卷積操作引入到 MobileNet 網(wǎng)絡(luò)中，不僅保證了圖像信息的完整性，還可以增大卷積層的感受野范圍，從而保證檢測(cè)精確度。卷積核大小為3×3、擴(kuò)張率為2的空洞卷積操作如圖5所示，在一個(gè)7×7的區(qū)域中，其中的9個(gè)點(diǎn)與3×3的卷積核進(jìn)行卷積操作，其余的點(diǎn)包含的參數(shù)設(shè)置為0，卷積之后的感受野大小為Fdilation=[2(dilation/2)+2-1]×[2(dilation/2)+2-1],其中dilation表示擴(kuò)張率，當(dāng)dilation=2時(shí)，F(xiàn)大小為7×7。

Figure 5 Dilated convolution operation圖5 空洞卷積操作

層級(jí)特征融合是對(duì)空洞卷積層的每一個(gè)卷積單元的輸出進(jìn)行依次求和，并將每個(gè)求和后的結(jié)果通過連接操作得到最后的輸出，可以在不增加網(wǎng)絡(luò)復(fù)雜度的同時(shí)擴(kuò)張學(xué)習(xí)參數(shù)，加強(qiáng)網(wǎng)絡(luò)連續(xù)性。層級(jí)特征融合結(jié)構(gòu)如圖6所示。其中nk×nk為空洞卷積核的感受野,nk=2k-1(h-1)+1,k=1,2,…,h。

Figure 6 Hierarchical feature fusion圖6 層級(jí)特征融合

DH-MobileNet的深度可分離卷積結(jié)構(gòu)只需要VGG16網(wǎng)絡(luò)參數(shù)的1/34就可以在分類任務(wù)中達(dá)到相同的分類精確度，并且可以通過降維等運(yùn)算得到與標(biāo)準(zhǔn)卷積相同的輸出，從而能夠減少計(jì)算量，提升訓(xùn)練的效果。DH-MobileNet網(wǎng)絡(luò)模型的結(jié)構(gòu)如圖7所示。

Figure 7 Structure of DH-MobileNet圖7 DH-MobileNet網(wǎng)絡(luò)模型結(jié)構(gòu)圖

圖7中，Dilated 表示空洞卷積，S表示步長(zhǎng)，R表示擴(kuò)張率，HFF表示層級(jí)特征融合，Conv-Dw-Pw代表深度可分離卷積結(jié)構(gòu)。

3.2 SSD卷積網(wǎng)絡(luò)層優(yōu)化

由于SSD網(wǎng)絡(luò)模型中后續(xù)的卷積層忽視了層與層之間的連接關(guān)系，從而導(dǎo)致對(duì)小目標(biāo)的檢測(cè)較差。引入反向殘差結(jié)構(gòu)[22]可以減少學(xué)習(xí)過程中非線性變換在低維度下造成的信息損失。為了避免下采樣過程中出現(xiàn)特征信息丟失的情況，本文利用空洞卷積取代反向殘差結(jié)構(gòu)中的下采樣操作,并將激活函數(shù)ReLU替換為性能更好的ReLU6，ReLU6激活函數(shù)可以表示為：Y=min(max(X,0),6)，式中Y為ReLU6的輸出，X為特征圖中每個(gè)像素的值。采用批處理規(guī)范化算法[23]進(jìn)行規(guī)范化，BN算法支持?jǐn)?shù)據(jù)分布自動(dòng)調(diào)整并通過設(shè)置2個(gè)學(xué)習(xí)參數(shù)來防止梯度消失和避免復(fù)雜變量的調(diào)整。加入空洞卷積后反向殘差結(jié)構(gòu)如圖8所示。

Figure 8 Reverse residual structure before and after improvement圖8 改進(jìn)前后的反向殘差結(jié)構(gòu)圖

4 實(shí)驗(yàn)與結(jié)果分析

4.1 實(shí)驗(yàn)設(shè)計(jì)

本文實(shí)驗(yàn)使用的計(jì)算機(jī)的配置為：操作系統(tǒng)是Windows 10，CPU型號(hào)是Intel(R)Core(TM) i7-8750H，CPU的頻率為2.20 GHz，內(nèi)存為8.0 GB，顯卡(GPU)的型號(hào)為是GeForce GTX 1060，在以上硬件基礎(chǔ)上搭建TensorFlow運(yùn)行環(huán)境。

在訓(xùn)練模型的過程中首先對(duì)訓(xùn)練集進(jìn)行訓(xùn)練，并采用非極大值抑制算法[24]消除舍棄的小于閾值的檢測(cè)框。經(jīng)過迭代和調(diào)整參數(shù)設(shè)置使模型具有更好的性能，之后使用本文實(shí)驗(yàn)數(shù)據(jù)集的測(cè)試集對(duì)模型進(jìn)行精確度、檢測(cè)速度和收斂速度的性能測(cè)試。

4.2 數(shù)據(jù)樣本結(jié)構(gòu)

工件表面缺陷類型一般由專業(yè)工程師根據(jù)工件具體情況來定義，本文實(shí)驗(yàn)選取3種常見的缺陷(碎屑、剝落、梨溝)進(jìn)行檢測(cè)，如圖9所示,圖9a為碎屑缺陷，圖9b為剝落缺陷，圖9c為梨溝缺陷。由于目前SEM圖像分類領(lǐng)域公開的數(shù)據(jù)集較少，本文在滿足樣本數(shù)量的同時(shí)充分考慮樣本的規(guī)范性因素，通過SEM采集含有碎屑、剝落、梨溝3種缺陷的圖像一共3 291幅。

Figure 9 Workpiece defect types圖9 工件缺陷種類

將采集的缺陷圖像進(jìn)行數(shù)據(jù)擴(kuò)展并建立數(shù)據(jù)集，主要的數(shù)據(jù)擴(kuò)展操作為旋轉(zhuǎn)、水平遷移、垂直遷移和縮放4種方式，數(shù)據(jù)擴(kuò)展的具體實(shí)現(xiàn)方法如表1所示。

Table 1 Data expansion methods表1 數(shù)據(jù)擴(kuò)展方法

通過表1數(shù)據(jù)擴(kuò)充的實(shí)現(xiàn)方法，對(duì)數(shù)據(jù)集進(jìn)行了擴(kuò)充。將擴(kuò)展得到的數(shù)據(jù)集的80%作為訓(xùn)練集，20%作為測(cè)試集，然后利用labellmg軟件進(jìn)行標(biāo)注，壓縮為300×300的圖像，作為訓(xùn)練模型的輸入。

4.3 算法性能分析

4.3.1 收斂速度分析

將本文提出的DH-MobileNet-SSD網(wǎng)絡(luò)模型與Faster R-CNN、SSD和YOLO 3種網(wǎng)絡(luò)模型在相同數(shù)據(jù)集上進(jìn)行對(duì)比實(shí)驗(yàn)?？紤]到實(shí)際應(yīng)用中的硬件條件，過高的訓(xùn)練次數(shù)不具有太大意義，并且模型迭代3.6萬次后損失值已經(jīng)趨于穩(wěn)定，所以每種模型選擇迭代3.6萬次。訓(xùn)練過程中的損失函數(shù)曲線如圖10所示。

Figure 10 Loss function curves圖10 損失函數(shù)曲線

從圖10可以看出，在數(shù)據(jù)集訓(xùn)練過程中，各網(wǎng)絡(luò)模型的損失值都隨著迭代次數(shù)的增加不斷收斂，在迭代3萬次后，各網(wǎng)絡(luò)模型損失值都趨于穩(wěn)定。其中改進(jìn)后的SSD網(wǎng)絡(luò)模型的收斂速度比其它3種網(wǎng)絡(luò)模型的更快。

4.3.2 綜合性能評(píng)估

精確度(Precision)、平均準(zhǔn)確率AP(Average Precision)和平均準(zhǔn)確率均值mAP(mean Average Precision)是衡量目標(biāo)檢測(cè)模型性能的常用指標(biāo)，其中精確度是指缺陷類型在被判斷為準(zhǔn)確的圖像中，真正判斷準(zhǔn)確的缺陷類型的比例；平均準(zhǔn)確率是指精確度的平均值，反映了每種缺陷的平均檢測(cè)精確度；平均準(zhǔn)確率均值表示了3種類別缺陷的平均準(zhǔn)確度，反映了該模型對(duì)整個(gè)數(shù)據(jù)集的檢測(cè)效果。3種常用指標(biāo)的計(jì)算公式如式(7)～式(9)所示：

(7)

(8)

(9)

利用訓(xùn)練好的網(wǎng)絡(luò)模型對(duì)測(cè)試集進(jìn)行檢測(cè)。測(cè)試集圖像包含3種不同類型的缺陷樣本，每種樣本都有40幅不同的圖像，對(duì)3種缺陷樣本的檢測(cè)精確度結(jié)果如表2所示。從檢測(cè)結(jié)果可以看出，在3種缺陷中，碎屑的檢測(cè)精確度較高，但遺漏數(shù)量高于其他2種網(wǎng)絡(luò)模型的。剝落和梨溝2類缺陷都仍存在少數(shù)遺漏和錯(cuò)檢的情況?？傮w可得，改進(jìn)后的SSD網(wǎng)絡(luò)模型對(duì)這3種缺陷的檢測(cè)精確度較高，達(dá)到了85.7%。

Table 2 Precision of three defectes表2 3種缺陷檢測(cè)精確度

在相同的迭代步數(shù)下，改進(jìn)后的SSD網(wǎng)絡(luò)模型與Faster-RCNN、SSD和YOLO 3種網(wǎng)絡(luò)模型的AP值如圖 11所示。

Figure 11 AP detection results of different network models on test set圖11 不同網(wǎng)絡(luò)模型在測(cè)試集上的AP檢測(cè)結(jié)果

圖11表明，改進(jìn)后的SSD網(wǎng)絡(luò)模型的AP值遠(yuǎn)遠(yuǎn)高于Faster R-CNN、SSD和YOLO網(wǎng)絡(luò)模型的，進(jìn)一步驗(yàn)證了所提網(wǎng)絡(luò)模型在工件表面缺陷檢測(cè)中具有更好的效果。

同樣在相同訓(xùn)練步數(shù)和相同訓(xùn)練集的前提下，將本文所提網(wǎng)絡(luò)模型與Faster-RCNN、SSD和YOLO網(wǎng)絡(luò)模型在mAP和平均檢測(cè)時(shí)間上進(jìn)行了對(duì)比，結(jié)果如表3所示。

Table 3 Comparison of defect detection models表3 缺陷檢測(cè)模型對(duì)比

從表3可以看出，本文所提網(wǎng)絡(luò)模型的mAP是84.12%，F(xiàn)aster R-CNN網(wǎng)絡(luò)模型的是79.07%，YOLO網(wǎng)絡(luò)模型的是82.44%，SSD網(wǎng)絡(luò)模型的是81.62%，表明本文網(wǎng)絡(luò)模型的準(zhǔn)確率更高。從檢測(cè)速度分析，本文網(wǎng)絡(luò)模型的平均檢測(cè)時(shí)間是0.132 s，低于其他3種網(wǎng)絡(luò)模型的，表明本網(wǎng)絡(luò)模型更節(jié)約時(shí)間。

4.4 數(shù)據(jù)集樣本檢測(cè)結(jié)果分析

任選一種缺陷(本次實(shí)驗(yàn)以碎屑為例)，利用4種網(wǎng)絡(luò)模型對(duì)數(shù)據(jù)集中的缺陷進(jìn)行檢測(cè)，檢測(cè)的結(jié)果圖如圖12所示，圖12a為Faster R-CNN網(wǎng)絡(luò)模型的檢測(cè)結(jié)果，圖12b為YOLO網(wǎng)絡(luò)模型的檢測(cè)結(jié)果，圖12c為SSD(原始)網(wǎng)絡(luò)模型的檢測(cè)結(jié)果，圖12d為本文DH-MobileNet-SSD網(wǎng)絡(luò)模型的檢測(cè)結(jié)果。從檢測(cè)圖可知，改進(jìn)后的SSD網(wǎng)絡(luò)模型的檢測(cè)精確度比較高，并且檢測(cè)框所在的區(qū)域與缺陷區(qū)域較吻合。

Figure 12 Detection results comparison of different network models圖12 不同網(wǎng)絡(luò)模型的檢測(cè)結(jié)果對(duì)比圖

利用DH-MobileNet-SSD網(wǎng)絡(luò)模型對(duì)梨溝、碎屑、剝落3種缺陷分別進(jìn)行檢測(cè)，檢測(cè)結(jié)果如圖13所示，圖13a為梨溝缺陷，圖13b為碎屑缺陷，圖13c為剝落缺陷。從檢測(cè)圖中可以看出，3種缺陷都能被檢測(cè)到，且精確度較高。因此，采取DH-MobileNet-SSD網(wǎng)絡(luò)模型在此數(shù)據(jù)集上的檢測(cè)效果較好，具有良好的穩(wěn)定性。

Figure 13 Three defects detection results圖13 3種缺陷檢測(cè)結(jié)果圖

5 結(jié)束語

為了更好地檢測(cè)機(jī)械工件表面的缺陷，本文首先通過SEM得到機(jī)械工件表面的掃描圖像并通過數(shù)據(jù)擴(kuò)展提高了算法的魯棒性。然后針對(duì)3種高頻缺陷(碎屑、剝落和梨溝)提出基于SSD網(wǎng)絡(luò)模型的工件表面缺陷檢測(cè)算法，該算法利用深度卷積特征，有效避免了傳統(tǒng)目標(biāo)檢測(cè)模型對(duì)手工特征的依賴問題。通過采用改進(jìn)后的DH-MobileNet代替原始SSD網(wǎng)絡(luò)中的VGG16進(jìn)行特征提取，輔助層網(wǎng)絡(luò)引入反向殘差結(jié)構(gòu)進(jìn)行卷積運(yùn)算，利用空洞卷積取代下采樣操作來避免信息丟失，并加入層級(jí)特征融合來保證數(shù)據(jù)操作的連續(xù)性和對(duì)小物體的準(zhǔn)確識(shí)別，從而可以利用多特征信息并且減少運(yùn)算量，進(jìn)而提高了檢測(cè)效率。實(shí)驗(yàn)表明，本文提出的算法在工件缺陷檢測(cè)上的平均精確度達(dá)到84.12%，高于相同條件下的Faster R-CNN、YOLO和原始SSD的。但是，DH-MobileNet-SSD網(wǎng)絡(luò)模型并不是非常完善，精確度有待進(jìn)一步提高，性能仍需改進(jìn)，這是后期需要研究的方向。