密集采样算法下的毛刺缸套外观缺陷检测

张 立，肖成军，肖河曼，王卫华

（广东白云学院机电工程学院，广东 广州 510450）

1 引言

全铝发动机与铸铁发动机相比，具有重量轻、油耗低等优势被广泛应用于家庭汽车，但铝的耐磨性比较差，因此采用钢制的活塞套镶嵌在发动机上，增大活塞与发动机之间的耐磨性从而提高发动机的使用寿命。毛刺缸套是一种表面具有高低不平的峰谷状的毛刺[1-2]，其表面质量直接影响到与发动机的结合力以及活塞套的散热情况，进而影响到发动机的使用寿命。目前毛刺缸套外观质量检测方式主要是人工检测，人工检测的方式有效率低、准确度低、主观性强等弊端。通过机械检测装置[3]只能获得某一类外观的缺陷，不能解决毛刺缸套外观缺陷形式繁多的任务，并且毛刺缸套外观缺陷与缸套本体颜色相近，传统的图像处理算法[4-5]只能识别具有明显特征的缺陷。

2012年Geoffey Hition教授和他的团队设计的卷积神经网络AlexNet首次应用在大型图像处理任务中，在ImageNet数据集分类任务中取得冠军，此后更加优秀的网络被不断的提出，如谷歌团队的VGGNet、残差网络ResNet等分类网络在公共数据集上的检测精度不断的提升。卷积神经网络的深度学习算法可以有效的避免图像的亮度分布不均、形状大小不一所带来的影响，对目标的识别有较好的鲁棒性。2013年Ross B.Girshick等人提出基于卷积神经网络的目标检测算法R-CNN网络，作为二阶检测算法的开端，此后不断的对其进行改进，如Fast R-CNN、Faster RCNN 等算法不断提升检测精度和检测速度。……