基于深度学习的钢管焊缝缺陷检测
计算机视觉与模式识别
2021-11-23 v2 人工智能
摘要
钢管广泛应用于石油、化工、天然气、页岩气等高风险、高压场景。若钢管存在缺陷,将导致严重的不良后果。将深度学习中的目标检测应用于管道焊缝缺陷检测与识别,可有效提升检测效率,推动工业自动化发展。以往多数研究采用传统计算机视觉方法检测钢管焊缝缺陷。然而,传统计算机视觉方法依赖先验知识,只能检测具有单一特征的缺陷,难以完成多缺陷分类任务,而深度学习是端到端的。本文提出将当前最优的单阶段目标检测算法 YOLOv5 应用于钢管焊缝缺陷检测领域,并与两阶段代表性目标检测算法 Faster R-CNN 进行比较。实验结果表明,将 YOLOv5 应用于钢管焊缝缺陷检测可大幅提升精度,完成多分类任务,并满足实时检测要求。
引用
@article{arxiv.2104.14907,
title = {Deep Learning Based Steel Pipe Weld Defect Detection},
author = {Dingming Yang and Yanrong Cui and Zeyu Yu and Hongqiang Yuan},
journal= {arXiv preprint arXiv:2104.14907},
year = {2021}
}
备注
17 pages,8 figures