基于改进Faster R-CNN的食品包装缺陷检测

目的:对纸质包装盒缺陷进行准确的识别与定位.方法:应用改进Faster R-CNN的网络模型自动对包装盒缺陷进行检测.对训练集图片进行数据增强并添加噪声,提升模型的训练精度和鲁棒性;将特征提取网络替换为ResNet50,并融合特征金字塔网络(FPN),提高模型多尺度检测的能力;使用K-means++对数据集中缺陷尺度进行聚类,优化锚框方案.结果:改进后的Faster R-CNN模型在测试集上的平均准确率(AP)达到93.9％,检测速度达到8.65帧/s.结论:应用 改进的Faster R-CNN模型能够有效检测出包装盒缺陷并定位,可应用于包装盒缺陷的自动检测与分拣....

Full description

Saved in:
Bibliographic Details
Published in食品与机械 Vol. 39; no. 11; pp. 131 - 151
Main Authors 夏军勇, 王康宇, 周宏娣
Format Journal Article
LanguageChinese
Published 湖北工业大学机械工程学院,湖北武汉 430068 01.11.2023
Subjects
defect detection
ResNet50
Faster R-CNN
feature pyramid network(FPN)
缺陷检测
特征金字塔
Online AccessGet full text

Cover

More Information
Summary:目的:对纸质包装盒缺陷进行准确的识别与定位.方法:应用改进Faster R-CNN的网络模型自动对包装盒缺陷进行检测.对训练集图片进行数据增强并添加噪声,提升模型的训练精度和鲁棒性;将特征提取网络替换为ResNet50,并融合特征金字塔网络(FPN),提高模型多尺度检测的能力;使用K-means++对数据集中缺陷尺度进行聚类,优化锚框方案.结果:改进后的Faster R-CNN模型在测试集上的平均准确率(AP)达到93.9％,检测速度达到8.65帧/s.结论:应用 改进的Faster R-CNN模型能够有效检测出包装盒缺陷并定位,可应用于包装盒缺陷的自动检测与分拣.
ISSN:1003-5788
DOI:10.13652/j.spjx.1003.5788.2023.80475