2024 04 v.39;No.123 40-48
基于ResNet和DenseNet模型的铝罐表面涂层缺陷检测方法
基金项目(Foundation):
广东省科技计划项目（2020ST001）;;
广东省博士工作站建设项目
邮箱(Email):
DOI:
中文作者单位:
汕头职业技术学院;汕头大学工学院;汕头市东方科技有限公司;
摘要(Abstract):
为了解决现有铝罐表面涂层缺陷检测难、检测精度低、漏检错检率高等问题，本文提出了一种基于卷积神经网络的铝罐表面涂层缺陷检测方法，通过对AlexNet、GoogLeNet、ResNet和优化后的DenseNet四种卷积神经网络模型进行训练，以选择最适合的检测模型实现对铝罐内、外表面涂层的缺陷检测，从而设计开发了用于铝罐自动化产线上的检测软件.结果表明，使用优化后的DenseNet18模型检测铝罐内表面涂层缺陷的准确率最高，为96.67%，使用ResNet18模型检测铝罐外表面涂层缺陷的准确率最高，为93.33%，两种模型的检测用时约为250 ms，其检测准确率和速度基本满足工业需求，在工业生产中达到了较好的实际应用效果.
关键词(KeyWords):
铝罐;;卷积神经网络;;缺陷检测
| 147 | 0 | 8 |
| 下载次数 | 被引频次 | 阅读次数 |
参考文献
[1]陈文，林林.论述易拉罐铝材生产的关键工艺技术[J].铝加工，2007(3):12-15.
[2]宋伟伟，王洁琼，黄巍，等.饮料金属包装用铝罐的腐蚀研究[J].全面腐蚀控制，2016,30(5):72-74.
[3]胡晓彤，董莹莹.基于机器视觉的金属罐内壁缺陷检测[J].天津科技大学学报，2014,29(3):63-67.
[4]张宏钊.易拉罐空罐在线高速缺陷检测系统研究[D].广州：广东工业大学，2018.
[5]杨阳，赵春磊，查朦，等.易拉罐空罐缺陷智能检测系统的设计与应用研究[J].现代制造技术与装备，2022,58(2):114-116.
[6]张志晟，张雷洪.基于深度学习的易拉罐缺陷检测技术[J].包装工程，2020,41(19):259-266.
[7]田琳琳.金属罐印刷质量检测及故障分析研究[D].西安：西安理工大学，2020.
[8]胡晓彤，田仁赞，王旭迎.基于SURF特征点的金属罐图案检测算法[J].天津科技大学学报，2015,30(6):72-77.
[9]肖天行.基于2D/3D信息融合的易拉罐外观缺陷识别方法研究[D].无锡：江南大学，2023.
[10]梁承权，吕德深，陆晓.一种基于改进Faster RCNN的易拉罐印刷缺陷检测方法[J].印刷与数字媒体技术研究，2023(6):22-29.
[11] KRIZHEVSKY A,SUTSKEVER I,HINTON G E. ImageNet classification with deep convolutional neural networks[C]//Proceedings of the 25th International Conference on Neural Information Processing Systems. Lake Tahoe,USA,2012:1097-1105.
[12] SZEGEDY C,LIU W,JIA Y Q,et al. Going deeper with convolutions[C]//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. Boston,USA,2015:1-9.
[13] HE K,ZHANG X,REN S,et al. Deep residual learning for image recognition[C]//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. Las Vegas,USA,2016:770-778.
[14]王恩德，齐凯，李学鹏，等.基于神经网络的遥感图像语义分割方法[J].光学学报，2019,39(12):93-104.
[15] HUANG G, LIU Z, LAURENS V D M, et al. Densely connected convolutional networks[C]//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. Honolulu, USA,2017:4700-4708.
[2]宋伟伟，王洁琼，黄巍，等.饮料金属包装用铝罐的腐蚀研究[J].全面腐蚀控制，2016,30(5):72-74.
[3]胡晓彤，董莹莹.基于机器视觉的金属罐内壁缺陷检测[J].天津科技大学学报，2014,29(3):63-67.
[4]张宏钊.易拉罐空罐在线高速缺陷检测系统研究[D].广州：广东工业大学，2018.
[5]杨阳，赵春磊，查朦，等.易拉罐空罐缺陷智能检测系统的设计与应用研究[J].现代制造技术与装备，2022,58(2):114-116.
[6]张志晟，张雷洪.基于深度学习的易拉罐缺陷检测技术[J].包装工程，2020,41(19):259-266.
[7]田琳琳.金属罐印刷质量检测及故障分析研究[D].西安：西安理工大学，2020.
[8]胡晓彤，田仁赞，王旭迎.基于SURF特征点的金属罐图案检测算法[J].天津科技大学学报，2015,30(6):72-77.
[9]肖天行.基于2D/3D信息融合的易拉罐外观缺陷识别方法研究[D].无锡：江南大学，2023.
[10]梁承权，吕德深，陆晓.一种基于改进Faster RCNN的易拉罐印刷缺陷检测方法[J].印刷与数字媒体技术研究，2023(6):22-29.
[11] KRIZHEVSKY A,SUTSKEVER I,HINTON G E. ImageNet classification with deep convolutional neural networks[C]//Proceedings of the 25th International Conference on Neural Information Processing Systems. Lake Tahoe,USA,2012:1097-1105.
[12] SZEGEDY C,LIU W,JIA Y Q,et al. Going deeper with convolutions[C]//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. Boston,USA,2015:1-9.
[13] HE K,ZHANG X,REN S,et al. Deep residual learning for image recognition[C]//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. Las Vegas,USA,2016:770-778.
[14]王恩德，齐凯，李学鹏，等.基于神经网络的遥感图像语义分割方法[J].光学学报，2019,39(12):93-104.
[15] HUANG G, LIU Z, LAURENS V D M, et al. Densely connected convolutional networks[C]//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. Honolulu, USA,2017:4700-4708.
基本信息:
DOI：
中图分类号:TG178;TP183;TP391.41
引用信息:
[1]谢凌望,陈满,彭宇瑞等.基于ResNet和DenseNet模型的铝罐表面涂层缺陷检测方法[J].汕头大学学报(自然科学版),2024,39(04):40-48.
基金信息:
广东省科技计划项目（2020ST001）;; 广东省博士工作站建设项目
暂无数据