字符检测-宣雄智能科技-字符检测系统

检测对象:钢表面缺陷

主要方法:基于Faster R-CNN的带钢表面缺陷检测网络，该网络的改进在于提出的多级特征融合网络( MFN )

将多个分层特征组合成一个特征 ，可以包括缺陷的更多位置细节。基于这些多级特征，采用区域提议网络

( RPN )生成感兴趣区域( ROI ) .在缺陷检测数据集NEU-DET.上，提出的方法在采用ResNet-50的

backbone"下实现了82.3%的mAP。

1.1缺陷的定义

当前对于缺陷有两种认知的方式，种是有监督的方法，字符缺陷检测，也就是体现在利用标记了标签(包括类别、矩形框

或逐像素等)的缺陷图像输入到网络中进行训练.此时"缺陷意味着标记过的区域或者图像。第二种是无监督的

方法，就是将正常无缺陷的样本进行学习，字符识别检测，学习正常区域的特征，网络检测异常的区域。

缺陷检测的任务大致分为三个阶段分别是缺陷分类、缺陷***、缺陷分割，字符检测，如下图所示，缺陷分类需要分类出

缺陷的类别(色、空洞、经线) ; 缺陷***不仅需要获取缺陷的类别还需要标注出缺陷的位置; 缺陷分割将

缺陷逐像素从背景中分割出来。

接着利用自定义的核7*7，进行图像卷积运算提取端面图片高频分量：

再利用加权平均值算法，按照imagemerge1＝k1*image1+k2*image2+b对凸台图片和端面图片进行融合，按照imagemerge2＝a*imagemerge1+b获得终的融合图片，根据融合照片进行缺陷检测。其中imagemerge1表示初步融合图片，字符检测系统，imagemerge2表示融合图片，a表示拉伸系数，b表示拉伸偏移；image1表示凸台图片，image2表示端面图片，k1表示凸台权重系数，k2表示端面权重系数。