橡胶制品中各种缺陷检测识别问题

       橡胶制品表面缺陷会极大地影响产品的性能、安全性和可靠性。传统的基于人的视觉检测准确率低且耗时长，现有的机器视觉检测技术主要依靠人工完成，无法有效精准对橡胶制品缺陷检测。针对橡胶制品中各种缺陷检测识别问题，采用基于深度学习模型的多尺度缺陷检测方法，使用橡胶制品表面缺陷图像对该网络进行了训练和评估。研究结果显示，所建立的检测模型对橡胶制品凹坑检测准确率较高，平均精度为92.7 %，可以有效检测橡胶制品小缺陷，且基于深度学习的神经网络模型的初始总损失相对较小，在100-150个历时之间趋于稳定。

       绝大多数传统橡胶制品不溶，难以再加工和生物降解，造成黑色污染。而将聚丁二烯基加人橡胶制品可以有效加速橡胶制品降解速率。其中聚丁二烯基橡胶制品表面质量是评价橡胶制品整体质量的重要指标。研究指出受原材料运输、生产工艺水平、工人操作标准等因素的影响，聚丁二烯基橡胶制品经常出现凹坑、气泡、划痕等表面缺陷。如果表面缺陷问题不能及时发现和解决，就会出现不合格的产品，这将给企业带来很大的经济负担。目前，企业生产中聚丁二烯基橡胶制品表面缺陷的检测仍处于人工目视检查去除不良品的阶段。检测效率低，劳动强度高。因此，迫切需要一种智能高效的检测方法来替代人工。

       基于人工神经网络的深度学习通过将数据和低级特征转换为更抽象和复合的表示来发现其输人数据的分布式表示困。分析结果表明，人工神经网络的深度学习可以自动从大型训练数据集中学习高度抽象和不变的特征，而不是人为地构建低级特征;因此，它可以稳健地适应各种计算机视觉任务。

       且在计算机视觉中，深度学习的对象往往是自然图像，包括行人、车辆、动物和人脸等;但利用深学习检测橡胶制品表面缺陷的研究较少。因此，本文提出了一种基于深度学习的聚丁二烯基橡胶制品表面缺陷检测网络。该网络基于Faster R一CNN和特征金字塔网络(FPN)，可以有效检测橡胶制品各种尺度的表面缺陷。www.sdwyxj.com