融合注意力的多尺度Faster RCNN的裂纹检测

TP391.41; 电致发光(Electroluminescence,EL)下的光伏电池EL图像背景表现为复杂的非均匀纹理特征,且存在与裂纹相似的晶粒伪缺陷,同时裂纹表现为形状多样的多尺度特征,以上难点为检测任务带来了极大的挑战.因此,本文提出融合注意力的多尺度Faster-RCNN模型,一方面,采用改进的特征金字塔网络获取多尺度的高级语义特征图,以此来提高网络对多尺度裂纹缺陷的特征表达能力.另一方面,采用改进的注意力区域推荐网络A-RPN,提高模型对裂纹缺陷的关注并抑制复杂背景及晶粒伪缺陷的特征.同时,在RPN网络训练过程中,采用损失函数Focal loss,以此来降低训练过程中简单样本所占...

Full description

Saved in:
Bibliographic Details
Published in光电工程 Vol. 48; no. 1; pp. 61 - 71
Main Authors 陈海永, 赵鹏, 闫皓炜
Format Journal Article
LanguageChinese
Published 河北工业大学人工智能与数据科学学院,天津 300000%天津航天中为数据系统科技有限公司,天津 300000 15.01.2021
Subjects
Focalloss函数
多尺度特征提取
注意力模块
Online AccessGet full text

Cover

More Information
Summary:TP391.41; 电致发光(Electroluminescence,EL)下的光伏电池EL图像背景表现为复杂的非均匀纹理特征,且存在与裂纹相似的晶粒伪缺陷,同时裂纹表现为形状多样的多尺度特征,以上难点为检测任务带来了极大的挑战.因此,本文提出融合注意力的多尺度Faster-RCNN模型,一方面,采用改进的特征金字塔网络获取多尺度的高级语义特征图,以此来提高网络对多尺度裂纹缺陷的特征表达能力.另一方面,采用改进的注意力区域推荐网络A-RPN,提高模型对裂纹缺陷的关注并抑制复杂背景及晶粒伪缺陷的特征.同时,在RPN网络训练过程中,采用损失函数Focal loss,以此来降低训练过程中简单样本所占比重,使其更加关注难以区分的样本.实验结果表明,改进的算法使得EL图像裂纹缺陷检测的准确率提高,达到接近95％.
ISSN:1003-501X
DOI:10.12086/oee.2021.200112