刘 柱,董 琴,杨国宇,陈朝峰

(盐城工学院 信息工程学院,江苏 盐城 224001)

0 引 言

伴随“中国制造2025”的提出,铝型材凭借其独特的质轻,柔韧性好等特点,在机械工业领域有着不可动摇的地位,其全行业的产量和消费量在世界范围内逐年递增[1]。在加工速度上涨的同时,由于环境等不可抗力因素,使得产品表面不可避免地产生瑕疵问题,这不仅仅是铝型材外观问题,它严重影响到了铝型材在应用时的可靠性和安全性。

通过调研发现,传统的检测方法成本高、操作复杂度高且对环境要求苛刻,无法实现可视化过程检测。伴随工业化的发展,机器视觉检测凭借精确、无接触测量等优点被广泛应用于瑕疵表面检测[2]。早期利用机器视觉进行表面瑕疵检测,主要是通过对缺陷照片进行图像处理提取瑕疵特征,这类方法能对特定瑕疵较准确地进行检测[3]。但对于铝型材瑕疵种类较多、尺度不一的情况,存在泛性较差、特征提取复杂、检测精确度不高等问题,因此在实际生产中局限性太大,难以满足生产需求。

近些年,基于深度学习的瑕疵检测算法因具有稳定高效、鲁棒性强的特点,在很多场景中得到了广泛的应用,取得了瞩目的成绩,并逐渐取代传统表面瑕疵检测方法。YOLO(You Only Look Once)算法的检测性能更为突出,在YOLO的基础上涌现出了YOLOv3[4]、YOLOv4[5]等众多改进算法。例如,刘浩等人在机床刀具的检测过程中采用了改进的YOLOv3算法,取代了传统的人工目测[6]。孙永鹏等人采用改进YOLOv4的检测方法提升冲压件的检测效率和检测精度并取得了良好的效果[7]。……