基于深度学习的发动机零件检测算法

针对人工和传统自动化算法检测发动机零件表面缺陷中准确率和效率低下，无法满足智能制造需求问题提岀了一种基于深度学习的检测算法。以Faster r-CNN深度学习算法为算法框架，引入聚类理论来确定anchor方案通过对比k- meansⅡ和CURE聚类算法生成anchor对检测结果的影响，提出了基于聚类生成anchor方案的Faster R-CNN的零件表面缺陷检测算法，并引入多级ROI池化层结构，减少ROI池化过程中取整带来的偏差，实现高效并准确检测零件表面缺陷的目的。通过设计缺陷图像数据采集方案，建立了3种缺陷零件数据集，并验证了算法的性能。实验结果表明，该算法将缺陷检测的均值平均精度皿AP从原算法的54.σ%提高到97.9%，检测速度最快达到4.9fs，能够满足智能制造的生产需求。