基于DSSD模型的机械加工件表面缺陷检测研究*

李 兰,奚舒舒,张才宝,马鸿洋

(1.青岛理工大学 信息与控制工程学院，山东 青岛 266000；2.青岛理工大学 理学院，山东 青岛 266000)

0 引 言

随着现代工业的进步与发展，各类工件在机械制造业中的使用频率也越来越高。在机械工件的生产过程中,由于刀具种类或者操作的影响，在工件表面会形成各种不同的缺陷，严重影响工件质量和机械设备性能，所以表面缺陷检测是控制工件质量的重要环节[1，2]。

传统的人工缺陷检测存在采样率和准确率低、劳动强度高的缺点。随着机器视觉和目标检测技术的进步，基于传统的机器学习技术被广泛应用于缺陷检测并逐渐取代了传统的人工检测[3]。如Jeon等[4]利用Gabor滤波器将基于直方图和梯度的纹理特征输入到支持向量机中，对工件表面进行了刮痕检测。虽然基于传统机器视觉的检测方法在很多方面取得了较好的结果，但是需要特定的预处理方法来利用专业知识提取具有代表性的特征。

为了适应现代工业的进步，越来越多的研究者开始研究基于深度学习的缺陷检测方法。前期的深度学习方法主要是以R-CNN[5]为基础，随后相继出现Fast-RCNN[6]、Faster-RCNN[7]、Mask-RCNN[8]等网络模型，但上述这些两阶段网络存在模型过于庞大的情况。为了解决该问题，2016年LIU Wei等人[9]提出了SSD多尺度特征图的目标检测网络，在YOLO[10,11]的基础上进一步提高了检测精度；2017年，FU C Y等人[12]以SSD模型为基础提出了DSSD(deconvolutional single shot detector)模型，进一步提高了检测速度和效率,为实际检测[13]提供了新的方法。

针对工件表面缺陷检测问题,LI Yi-ting等[11]采用MobileNet-SSD框架检测了密封面的缺口、凹陷、磨损等缺陷；……