22

(1.武汉纺织大学 机械工程与自动化学院, 湖北 武汉 430200；2.湖北省数字化纺织装备重点实验室, 湖北 武汉 430200；3.塔里木大学 信息工程学院, 新疆 阿拉尔 843300)

0 引言

铝型材在人类社会生产活动中使用的比例越来越高，但在工厂生产加工铝型材的过程中，由于多方面因素影响，使得铝型材表面会产生诸如划痕、起泡、起坑、不导电等不良瑕疵，对铝型材的产出质量造成严重的不良影响。

为严格把控铝型材产品质量，传统的检测方式采用人工检测，不仅费时费力，还由于铝型材纹路与瑕疵之间区分度微小、人工检测易疲劳等因素，造成漏检率高、检出率低[1]。随着深度学习、机器视觉技术的发展，针对物体表面瑕疵的研究也出现了新的方向[2-5]，但针对铝型材这种特定材料的检测算法研究较为匮乏。SOO等[6]提出一种Class activation map的关键部位定位算法，对钢材表面图像中的局部缺陷区域进行定位检测，其理论精度可达99.44%，但由于铝型材瑕疵种类较多，纹理较为复杂且细小，使得此模型定位方法无法有效泛化。沈晓海等[7]提出一种基于多任务深度学习的铝型材缺陷检测方法，可对铝型材表面瑕疵进行较高精度的检测，但算法复杂度较高，且对微小瑕疵漏检率高。陈亮等[8]提出一种基于YOLOv3模型的瑕疵检测算法，其检测准确率为98.2%，但在多尺度检测效果上较差，检测时间上也有待提高。文生平等[9]提出一种基于Gaussian-yolov3的铝型材表面缺陷检测算法，利用置信度函数计算损失，提高了整体的预测框的位置精准度，改善了狭长型的瑕疵检测效果，但未对不规则缺陷检测进行进一步优化，适用范围受限。……