叢 明，盧長奇，劉 冬+，肖慶陽，李榮東

(1.大連理工大學(xué) 機(jī)械工程學(xué)院，遼寧 大連 116024；2.大連亞明汽車部件股份有限公司，遼寧 大連 116041)

1 問題的描述

鋁合金壓鑄件作為汽車主要采用的零部件，在生產(chǎn)中由于模具等設(shè)備故障、合金成分質(zhì)量差或工作人員操作不當(dāng)?shù)仍?，不可避免地產(chǎn)生了各種缺陷，這些鑄件外觀缺陷主要包括缺肉、縮孔、多肉、氣孔和冷隔等。在實際生產(chǎn)中，這些外觀缺陷的檢測大多依靠人工檢查，生產(chǎn)線檢查工人的勞動量大，效率低，誤檢率高，且存在無法實時跟蹤產(chǎn)品質(zhì)量指標(biāo)等一系列的問題。

針對特征明顯的缺陷，工廠中往往采用基于傳統(tǒng)的機(jī)器視覺的缺陷檢測方法，主要包括兩類方法：①通過數(shù)字圖像處理技術(shù)進(jìn)行缺陷檢測；②通過人工設(shè)計復(fù)雜的特征提取器進(jìn)行特征提取，并采用分類器進(jìn)行缺陷的識別[1]。為檢測鋼盤表面的劃痕缺陷，YUN等[2]采用邊緣檢測、雙閾值二值化和形態(tài)學(xué)操作等方法進(jìn)行特征提取，并最終通過支持向量機(jī)(Support Vector Machine, SVM)進(jìn)行分類來達(dá)到缺陷檢測的目的。ZHANG等[3]提出一種用于強(qiáng)反射金屬表面的缺陷檢測方法，該方法將待檢測圖片進(jìn)行去噪處理后，采用Otsu閾值化方法進(jìn)行閾值分割，并對二值化的圖像提取5個特征輸入到SVM中進(jìn)行檢測。但是上述傳統(tǒng)的缺陷檢測方法僅適用于具有明顯的顏色或者形狀特征、背景干擾少的外觀缺陷檢測，同時該方法易受光照和環(huán)境變化的影響，這些局限性限制了傳統(tǒng)方法在工廠中的實際應(yīng)用。

近年來，如更快的基于區(qū)域的卷積神經(jīng)網(wǎng)絡(luò)(Faster Region-based Convolutional Neural Network, Faster-RCNN)[4]、SSD(single shot multibox detector)[5]和YOLO(you only look once)[6-9]系列等基于深度學(xué)習(xí)的目標(biāo)檢測算法已廣泛應(yīng)用于缺陷檢測領(lǐng)域。如對大型的汽車外殼體的缺陷檢測，CHANG等[10]搭建了缺陷檢測系統(tǒng)，并采用效率高的多相機(jī)同時獲取圖片并發(fā)進(jìn)行檢測的方法，同時采用帶有focal loss損失函數(shù)的RetinaNet算法來克服數(shù)據(jù)不平衡的問題。HE等[11]提出一種適用于鋼帶表面缺陷檢測的深度學(xué)習(xí)模型，將從特征提取網(wǎng)絡(luò)中獲取的多層次特征整合成單個特征進(jìn)行檢測，提高檢測的效率。LI等[12]為實現(xiàn)對偏光鏡高速檢測，以YOLOv3-Tiny算法為基礎(chǔ)，集成Dense Block和SPP-Net模塊，實現(xiàn)高精度高效率的檢測。

當(dāng)前缺陷檢測工作主要是針對鋼材、鐵軌、轎車殼體和PCB板等表面，較少對復(fù)雜壓鑄件表面進(jìn)行研究。而鑄件外觀缺陷檢測主要存在以下難點：①缺陷部位體積小，下采樣的過程中會造成像素點的丟失，增加了檢測的難度；待檢測物體固定的位置會為小型缺陷保留上下文信息，而這些上下文信息會增加小型缺陷的誤檢率。②鑄件的背景復(fù)雜，對缺陷檢測的干擾大。③各種缺陷數(shù)據(jù)樣本數(shù)量極不平衡，數(shù)據(jù)量少的缺陷無法實現(xiàn)端到端檢測，為訓(xùn)練增加了難度。針對上述難點，本文提出一種基于深度學(xué)習(xí)的鑄件外觀缺陷檢測(single-shot Refinement neural network for Aluminum Casting Tiny Defects Detection, Refine-ACTDD)方法，具體流程圖如圖1所示，包括圖像獲取、數(shù)據(jù)傳輸和缺陷檢測三大模塊。

本文具體貢獻(xiàn)如下：

(1)制作了一個大型的鑄件外觀缺陷數(shù)據(jù)集ALU-DEF，包括缺陷圖片7 816張，具體包括的缺陷有缺肉、多肉、氣孔、縮孔、冷隔等。

(2)提出密排的錨點設(shè)計方法來提高小缺陷的正檢率；采用對比訓(xùn)練方法進(jìn)行訓(xùn)練，將有無缺陷的兩種類別數(shù)據(jù)同時用于模型的訓(xùn)練，通過訓(xùn)練過程中量種類別數(shù)據(jù)的對比，來減少上下文信息對小型缺陷檢測的影響。

(3)在神經(jīng)網(wǎng)絡(luò)中引入注意力機(jī)制，通過注意力機(jī)制使模型更加關(guān)注圖片中的缺陷區(qū)域，來減少鑄件外觀背景的干擾。

(4)提出一種將深度學(xué)習(xí)與輪廓發(fā)現(xiàn)相結(jié)合的方法實現(xiàn)對小樣本缺陷的端到端檢測。

2 缺陷檢測算法

2.1 Refine-ACTDD網(wǎng)絡(luò)結(jié)構(gòu)

Refine-ACTDD缺陷檢測算法主要基于RefineDet(single-shot refinement neural network for object detection)算法進(jìn)行改進(jìn)[13-14]。Refine-ACTDD算法兼具一階檢測算法和二階檢測算法的優(yōu)勢，在保證高檢測效率的同時，具有較高的檢測準(zhǔn)確率，網(wǎng)絡(luò)基本結(jié)構(gòu)如圖2所示。Refine-ACTDD算法包括ARM(anchor refinement module)、TCB(transfer connection block)、ODM(object detection module)和Attention等4個模塊。在上述4個模塊中，ARM模塊的主體結(jié)構(gòu)是將VGG16模型的最后2個全連接層替換為2個卷積層Conc_fc6和Conc_fc7，并額外增加2個卷積層Conv6_1和Conv6_2，詳細(xì)的網(wǎng)絡(luò)結(jié)構(gòu)如表1所示[15]。該模塊具有兩個功能：第一個功能是負(fù)責(zé)特征的提取，此外該模塊與雙階檢測器的RPN(region proposal network)功能相似，負(fù)責(zé)對每個錨點區(qū)域進(jìn)行二分類，即判斷該錨點所在區(qū)域內(nèi)是否包含物體，將negative錨點進(jìn)行過濾，并將positive錨點的位置進(jìn)行初步的回歸，回歸的結(jié)果通過TCB模塊傳遞到ODM模塊。TCB模塊的功能和特征金字塔結(jié)構(gòu)的功能相同，負(fù)責(zé)將高層的語義信息傳遞到低層并進(jìn)行信息的整合，提高小目標(biāo)的檢測準(zhǔn)確率，同時將ARM模塊和ODM模塊連接起來[16]。ODM模塊主要接收來自ARM模塊的positive錨點和該錨點初步回歸的位置坐標(biāo)，在此基礎(chǔ)上進(jìn)行最后的分類和位置的回歸。由于鑄件的背景復(fù)雜，檢測時的干擾較大，采用基于注意力機(jī)制的Attention模塊，讓網(wǎng)絡(luò)更多地關(guān)注圖像中的缺陷部位，增加缺陷特征在圖像中所占的比重。該算法同樣采用多尺寸特征圖進(jìn)行檢測，分別選擇Conv4_3、Conv5_3、Conv_fc7和Conv6_2卷積層來進(jìn)行類別的分類和位置的回歸。

表1 ARM網(wǎng)絡(luò)結(jié)構(gòu)

續(xù)表1

由于缺陷部位像素在整張圖片中所占比例很小，在下采樣的過程中缺陷部位會消失，增加了對小缺陷檢測的難度。本文采用將一張大圖片分割為2×2張小圖片，然后依次進(jìn)行檢測的方法，如圖3所示。

2.2 密排錨點的設(shè)計

在訓(xùn)練的過程中，基于錨點的目標(biāo)檢測算法主要關(guān)注的區(qū)域是錨點中的區(qū)域，在進(jìn)行預(yù)測的時候，模型也是在錨點的基礎(chǔ)上進(jìn)行預(yù)測的。因此，對小型物體來說，適當(dāng)?shù)腻^點設(shè)計可以明顯提高模型對小缺陷的正檢率[17]。

為獲得適合本數(shù)據(jù)集的錨點大小，對數(shù)據(jù)集中缺陷目標(biāo)的長寬進(jìn)行統(tǒng)計和K-Means聚類操作，缺陷區(qū)域尺寸散點分布圖如圖4所示，聚類操作得到的結(jié)果如表2第2列所示，依據(jù)得到的聚類結(jié)果設(shè)定的錨點大小和比例如第3和4列所示。為了能夠在特征圖上獲得均勻鋪排的錨點，將Conv4_3、Conv5_3、Conv_fc7和Conv6_2的錨點的大小依次設(shè)置為16、32、64和128。由于小目標(biāo)的長寬比多為1，將Conv4_3的卷積層的長寬比只設(shè)置為一種比例形式，這樣可以明顯減少計算量。密排錨點的方法是通過對Conv4_3卷積層上的錨點進(jìn)行重新設(shè)計來提高對小目標(biāo)缺陷檢測的正檢率，設(shè)計方式如圖5所示。原始的錨點設(shè)計是以每個像素點為中心，在像素點的周圍設(shè)計長度和長寬比不同的錨點，如圖5a所示。而本方法是在彼此相鄰的4個像素點中間新增了一個長寬比為1的錨點，具體形式如圖5b所示。在圖5a中，錨點與真實值間最大IOU(intersection over union)值是A1，將錨點進(jìn)行重新設(shè)計后，IOU的最大值變?yōu)锳2。可以看出，經(jīng)過重新設(shè)計的錨點能夠獲得更大的IOU值，因此缺陷檢測中小型缺陷會獲得更大的IOU值，正檢率也會相應(yīng)得到提高。

表2 聚類結(jié)果

2.3 Attention模塊

鑄件表面背景復(fù)雜，對模型的檢測會造成很大的干擾。為減少復(fù)雜背景的影響，在網(wǎng)絡(luò)中引入注意力機(jī)制，即在模型中增加一個Attention模塊，使模型對圖片特征的提取更加充分，并且缺陷相關(guān)特征所占的權(quán)重系數(shù)更大。本文采用的Attention機(jī)制來自于SENet(squeeze-and-excitation networks)算法，具體結(jié)構(gòu)如圖6所示。SENet算法主要包括Squeeze和Excitation兩項操作[18-19]。

對于Squeeze操作，需要在channel方向上進(jìn)行全局的平均池化操作，將H×W的輸入特征圖轉(zhuǎn)化為1×1的特征圖，即將channel方向上的整個空間特征編碼為一個全局特征，公式如下：

(1)

式中：Xc為輸入圖像，H和W分別為輸入圖片的長和寬。

獲得各channel方向上的全局特征后，Excitation階段模型需要學(xué)習(xí)各全局特征間的非線性關(guān)系，采用Relu激活函數(shù)來增加非線性的變化。同時，為減少參數(shù)的計算量，在Relu操作前后采用兩個全連接層(Fully Connected layer, FC)結(jié)構(gòu)，第一個全連接層主要進(jìn)行參數(shù)壓縮的作用，第二個全連接層起到恢復(fù)原始維度的作用，其中壓縮系數(shù)為R；最后使用Sigmoid函數(shù)獲得各個channel上全局特征的權(quán)重大小Wc，將該權(quán)重系數(shù)乘以原始特征圖像，獲得輸出的特征圖：

Yc=XcWc。

(2)

Attention模塊放置于TCB模塊后，可以將經(jīng)過特征整合后的特征圖進(jìn)一步進(jìn)行特征提取，獲得注意力特征圖。注意力的特征圖與TCB模塊輸出的特征圖相比，其對特征的提取會更加充分，帶有缺陷特征會賦予更大的權(quán)重系數(shù)，因此將注意力特征圖輸入到ODM模塊中進(jìn)行最終的檢測時，復(fù)雜背景的干擾會得到明顯的降低。

2.4 小樣本端到端檢測方法

為實現(xiàn)對冷隔缺陷端到端檢測的目的，本文提出一種將深度學(xué)習(xí)與輪廓發(fā)現(xiàn)相結(jié)合的端到端檢測方法。冷隔缺陷發(fā)生位置在工件上確定，因此在數(shù)據(jù)集中增加一種類別，該類別為冷隔缺陷敏感區(qū)域，用于確定冷隔缺陷可能發(fā)生的位置。如圖7所示，將待檢測圖片輸入神經(jīng)網(wǎng)絡(luò)，判斷該圖片是否存在冷隔敏感區(qū)域。若圖片中不存在冷隔敏感區(qū)域，則正常輸出神經(jīng)網(wǎng)絡(luò)的檢測結(jié)果；否則根據(jù)網(wǎng)絡(luò)檢測的具體坐標(biāo)對冷隔區(qū)域進(jìn)行截取，并對該區(qū)域進(jìn)行輪廓發(fā)現(xiàn)處理，來判斷該區(qū)域是否發(fā)生冷隔缺陷。

對于輪廓發(fā)現(xiàn)方法，待檢測圖片需要通過灰度化處理轉(zhuǎn)化為灰度圖；并對灰度圖進(jìn)行二值化計算，具體計算如下：

(3)

其中：Xc為輸入圖像，Yc為輸出圖像，thresh為設(shè)定的閾值。

運(yùn)用開操作運(yùn)算，過濾掉二值化圖片中的小噪聲；最后進(jìn)行發(fā)現(xiàn)輪廓操作，計算輪廓的面積，當(dāng)輪廓的面積大于設(shè)定的閾值時，該工件判定為缺陷件，否則為無冷隔缺陷。

2.5 對比訓(xùn)練方法

針對小目標(biāo)的檢測，一種較好的解決方法就是通過上下文信息來增加小目標(biāo)檢測的準(zhǔn)確率，如在人臉檢測中頭發(fā)的存在可以提高人臉檢測準(zhǔn)確率[20]。但是對于缺陷檢測來說，這種上下文信息的存在有時會適得其反。這是因為在進(jìn)行缺陷檢測時，待檢測的工件每次放置的位置是固定的，但是由于缺陷的體積很小，如圖8所示的缺肉缺陷，在標(biāo)注進(jìn)行訓(xùn)練的時候，難免會帶入上下文信息。而在檢測的時候，神經(jīng)網(wǎng)絡(luò)會依據(jù)這些上下文信息，無論在該位置是否出現(xiàn)缺肉缺陷，都會判定為缺陷件。

針對上述問題，提出一種對比訓(xùn)練方法。為減少上下文信息的干擾，本文在數(shù)據(jù)集中新增加一類沒有缺肉缺陷的類別，使得網(wǎng)絡(luò)模型在訓(xùn)練的過程中對這兩種類別進(jìn)行對比訓(xùn)練，通過不斷的迭代訓(xùn)練使網(wǎng)絡(luò)辨別這兩種類別，進(jìn)而判斷物體是否存在缺陷，達(dá)到降低誤檢率的目的。

3 數(shù)據(jù)集及評價指標(biāo)

3.1 數(shù)據(jù)集的準(zhǔn)備

在工廠內(nèi)共采集缺陷圖片2 500張，具體包括的缺陷類型有缺肉、縮孔、多肉、氣孔和冷隔缺陷等，額外包括冷隔敏感區(qū)域圖片305張。為增強(qiáng)模型的泛化能力，對所采集的數(shù)據(jù)集進(jìn)行了數(shù)據(jù)增強(qiáng)操作，包括圖像的對稱、旋轉(zhuǎn)等兩項操作，并過濾掉一些效果較差的圖片后共獲得7 816張圖片，將數(shù)據(jù)集按照8∶1∶1的比例劃分為訓(xùn)練集、驗證集和測試集，部分缺陷圖片如圖9所示，各類缺陷圖片數(shù)量如表3所示。

定向越野對豐富學(xué)生的課余活動和提高學(xué)生的綜合素質(zhì)均起著重要作用。作為新興的體育運(yùn)動項目，定向越野擺脫了傳統(tǒng)運(yùn)動項目所需要固定場地的問題，讓學(xué)生能回歸大自然。學(xué)生在享受運(yùn)動項目所帶來的緊張和刺激的同時，還能感受到大自然的美妙。定向越野鍛煉了學(xué)生的意志，培養(yǎng)了學(xué)生團(tuán)隊合作的意識，還促進(jìn)了學(xué)生對大自然的熱愛。

表3 數(shù)據(jù)集各類別數(shù)量

3.2 模型評價指標(biāo)

本文選擇的模型評價指標(biāo)分別為正檢率和平均精確率(MAP)兩個評價指標(biāo)。對于某個待檢測的圖片，該圖片的檢測結(jié)果只能是缺陷件或良品件，則正檢率指的是檢測正確的圖片數(shù)占檢測圖片總數(shù)的比例，即

(4)

MAP是用于衡量模型優(yōu)劣的一個綜合性指標(biāo)，

(5)

(6)

(7)

(8)

其中：TP指將正樣本識別為正樣本的數(shù)量，F(xiàn)P指將負(fù)樣本誤識別為正樣本的數(shù)量，F(xiàn)N指將正樣本誤判為負(fù)樣本的數(shù)量，c表示樣本中類別的數(shù)量。

4 實驗結(jié)果

4.1 實驗平臺

本文搭建的鑄件外觀缺陷實驗平臺如圖10所示，該平臺包括圖像采集模塊、數(shù)據(jù)傳輸模塊和缺陷檢測模塊三大模塊。在檢測的時候，當(dāng)圖像采集模塊中的機(jī)械臂運(yùn)動到工件的待檢測位置后，可編程邏輯控制器(Programmable Logic Controller, PLC)為視覺控制器發(fā)送信號，視覺控制器接收到信號后開始采集圖像。視覺控制器通過數(shù)據(jù)傳輸模塊的CPE(customer premise equipment)設(shè)備連接到5G網(wǎng)絡(luò)，將采集的圖像通過5G網(wǎng)絡(luò)傳輸?shù)饺毕輽z測模塊的云端服務(wù)器。服務(wù)器端收到請求后，會對發(fā)送的圖片進(jìn)行檢測，最后將檢測結(jié)果通過5G網(wǎng)絡(luò)反饋到視覺控制器終端來指導(dǎo)下一步的工作。

4.2 對比訓(xùn)練實驗結(jié)果

為驗證對比訓(xùn)練策略的實際效果，本文采用兩種不同的訓(xùn)練策略分別進(jìn)行訓(xùn)練，并將訓(xùn)練后的權(quán)重系數(shù)保存下來進(jìn)行測試。制作了含有200張圖片的測試集，其中包含100張缺肉缺陷圖片和100張無缺陷圖片。實驗結(jié)果如表4所示，從表中可以看出，通過采用對比訓(xùn)練策略，正檢率由88.5%提升至95%，其中錯檢數(shù)得到了明顯改善，錯檢率由10.5%下降至1.5%。但是由于神經(jīng)網(wǎng)絡(luò)在訓(xùn)練的過程中需要對兩種相似的物體進(jìn)行區(qū)分，使得漏檢數(shù)得到小幅度的上升。但總體的正檢率獲得了6.5%的提升，取得了顯著的效果?？梢钥闯觯ㄟ^采用對比訓(xùn)練的策略，能夠明顯降低背景信息對小缺陷檢測的影響。

表4 對比訓(xùn)練檢測結(jié)果

4.3 錨點改進(jìn)對比實驗結(jié)果

為驗證密排錨點設(shè)計的實際效果，在模型訓(xùn)練的過程中，監(jiān)測正樣本與Ground Truth之間的平均IOU值隨迭代次數(shù)的變化，如圖11所示。從圖中可以看出，在經(jīng)過10 000次左右的迭代后，密排錨點的IOU值平均值明顯高于設(shè)計之前的IOU的平均值。這說明在訓(xùn)練的過程中，Ground Truth會與其最適合的錨點進(jìn)行位置損失的計算，會使模型訓(xùn)練的更加充分，在檢測時回歸的位置更加準(zhǔn)確。為進(jìn)一步驗證重新設(shè)計的錨點對召回率(Recall)的影響，統(tǒng)計錨點設(shè)計前后測試集中圖片的召回率(Recall)隨IOU值的變化曲線圖，如圖12所示。從圖中可以看出，經(jīng)過錨點重新設(shè)計的Refine-ACTDD模型明顯具有更高的召回率(Recall)。實際檢測的效果如圖13所示，從對比的效果圖中可以看出，小型缺陷檢測的召回率(Recall)得到了明顯的改善。

4.4 Attention模塊對比實驗分析

為驗證Attention模塊對復(fù)雜背景的鑄件外觀缺陷檢測的具體影響，在訓(xùn)練集上分別對有無Attention模塊的模型進(jìn)行了訓(xùn)練和結(jié)果測試。復(fù)雜背景的干擾會導(dǎo)致鑄件外觀缺陷檢測的錯檢率明顯提高，因此本節(jié)統(tǒng)計了模型在增加Attention機(jī)制前后各類別缺陷錯檢率大小，具體結(jié)果如表5所示。從表中可以看出，在增加Attention機(jī)制后，縮孔和多肉缺陷的錯檢率得到較大的下降，分別降低了2.47%和2.5%，這主要是因為鑄件外觀的背景形狀和顏色等與縮孔缺陷和多肉缺陷相似，所以上述兩種缺陷更易受到背景的干擾，檢測結(jié)果如圖14所示。從圖中可以看出，增加Attention機(jī)制后可以明顯減少工件表面的特殊形狀、顏色和切削液殘留等復(fù)雜背景的干擾，能夠降低鑄件外觀缺陷的錯檢率。

表5 錯檢率對比結(jié)果 %

4.5 對比實驗

為驗證Refine-ACTDD算法模型的整體效果，將其與原算法RefineDet和目前廣泛應(yīng)用于工業(yè)界的目標(biāo)檢測算法Faster-RCNN和YOLOv3算法進(jìn)行對比實驗。在模型訓(xùn)練后，對上述算法的Recall和Precision進(jìn)行了統(tǒng)計，選取兩種典型的缺陷類型，分別是小體積缺陷的缺肉缺陷和較大體積缺陷的多肉缺陷，其Precision-Recall曲線如圖15和圖16所示。從Recall-Precision的曲線圖中可以看出，Refine-ACTDD相比RefineDet、YOLOv3和Faster-RCNN具有較好的性能。

模型檢測的正檢率和MAP如表6所示，從表中可以看出，Refine-ACTDD具有最高的平均正檢率95.44%，與YOLOv3、Faster-RCNN和RefineDet相比，平均正檢率分別高出16%、1.94%和2.62%，MAP分別高出17.9%、11.82%和3.3%。

表6 對比實驗檢測結(jié)果(正檢率/MAP) %

如圖17所示，YOLOv3以0.015 s的檢測時間在上述算法中檢測速度最快，但是正檢率表現(xiàn)較差；Faster-RCNN具有較高的正檢率但檢測時間確高達(dá)0.039 s；Refine-ACTDD相比于RefineDet僅以0.003 s的時間代價獲得最高的正檢率，并且檢測的時間明顯快于Faster-RCNN算法，這說明Refine-ACTDD算法兼具高的正檢率和檢測效率。具體檢測效果如圖18所示，結(jié)合圖15和圖16曲線可以看出，Refine-ACTDD無論檢測較大缺陷還是小型缺陷均表現(xiàn)較好，與RefineDet算法相比，其在小缺陷的檢測上效果得到了提升。Faster-RCNN在小型缺陷檢測上具有較高的召回率(Recall)，但是由于鑄件外觀復(fù)雜的背景干擾，因而鑄件的背景也會誤判為缺陷，導(dǎo)致MAP較低。YOLOv3算法在小型缺陷的檢測方面表現(xiàn)較差，漏檢數(shù)較多。Refine-ACTDD算法通過設(shè)計密排錨點和加入注意力機(jī)制，較好地解決了上述問題。

5 結(jié)束語

本文提出一種基于深度學(xué)習(xí)的缺陷外觀缺陷檢測算法。該算法基于RefineDet算法進(jìn)行改進(jìn)，采用密排錨點的方法，提高了小型缺陷檢測的召回率；通過引入注意力機(jī)制，避免了復(fù)雜背景對檢測干擾大等問題；將深度學(xué)習(xí)與輪廓發(fā)現(xiàn)方法相結(jié)合，解決了小樣本缺陷的端到端檢測的問題；并提出對比訓(xùn)練方法減少上下文信息對缺陷檢測的干擾，得到6.5%正檢率的提升。本文所提出的缺陷檢測算法能夠達(dá)到95.44%的平均正檢率和89.94%的MAP，與YOLOv3、Faster-RCNN和RefineDet算法相比，平均正檢率分別高出16%、1.94%和2.62%，MAP分別高出17.9%、11.82%和3.3%。實驗結(jié)果表明，所提算法在較快的檢測速度下，具有較高的正檢率，解決了鑄件外觀缺陷因體積小、背景干擾大所造成的檢測準(zhǔn)確率低等問題。雖然獲得了較高的準(zhǔn)確率，但是該準(zhǔn)確率還無法完全應(yīng)用于生產(chǎn)實踐，因此未來需要進(jìn)一步提高檢測的準(zhǔn)確率并增加檢測缺陷的種類。