季忠源 李丹美

摘 要：为了解决工厂实际中遇到的铝材表面缺陷问题，本文介绍了基于RCNN上发展的Faster RCNN与Cascade RCNN算法，并且简要概述了利用特征金字塔网络来解决Faster RCNN在处理多尺度检测问题上的不足，还提出了通过改进RPN来加强Faster RCNN的检测准确率，利用残差网络ResNet50替换了原始网络，增强其检测效果。

关键词：深度学习;Faster RCNN;Cascade RCNN;瑕疵檢测;残差网络

，因为多方因素的干扰，铝材表面会出现多种缺陷，例如脏点、起坑、喷流等各种表面瑕疵[1]，这些表面存在的缺陷会使得铝材在实际的使用过程中受到不同程度的影响。为了铝材在工业实际应用中不会出现问题，造成各种事故或者导致各种工程存在缺憾，检测铝材表面是否存在明显瑕疵的需求日益壮大。但是传统地利用工人肉眼检查十分费时费力，并且还可能出现错漏，效率低下的同时还要付出极大的人工成本。所以，各大工厂将目光投向了近几年技术发展异常迅猛的深度学习领域[2]，开展了为数不少的图像识别竞赛，想要将图像识别项目落实于工厂实际，为工业领域做出贡献。人工智能领域技术的革新让不少铝材商人看到了机会，本文将探讨现有的深度学习算法检测铝材表面瑕疵的实际过程，并且对现有算法进行一定改进，使得其更贴合于工业实际应用。

1 基于RCNN的目标检测算法

1.1 Faster RCNN

Faster RCNN[3]是目前在目标检测领域应用十分广泛并且地位相当高的一种Twostage的目标检测算法。Faster RCNN可大致概括为两个步骤，第一步通过RPN来获得输入图像的感兴趣的区域ROI，接着Fast RCNN网络会检测和分类之前初步得到的ROI。……