基于CR-RFPR101的钢板表面缺陷检测

针对钢板表面缺陷种类多、背景复杂、检测精度低等问题，文章首先对钢板表面缺陷数据集进行数据增强，并对原始Cascade区域卷积神经网络(region-basedconvolutional neural netwroks, R-CNN)算法进行改进，将ResNeXt-101-64×4d作为Cascade R-CNN算法的骨干网络，优化特征提取模块，利用递归特征金字塔(recursive feature pyramid, RFP)网络以反馈连接的方式进行特征优化，提出一种CR-RFPR101(Cascade R-CNN RFP ResNeXt-101-64×4d)的检测算法，以更好地保留细节和语义信息；同时使用可切换的空洞卷积替换主干网络的卷积层，以改变感受野的方式提高检测性能；最后使用引入软化非极大值抑制算法，保留有效信息，提高识别率。经实验验证，CR-RFPR101算法的检测率为83.4%,比原Cascade R-CNN算法提高了7.3%,满足了钢板表面缺陷检测要求。