您当前所在位置: 首页 > 首发论文
动态公开评议须知

1. 评议人本着自愿的原则,秉持科学严谨的态度,从论文的科学性、创新性、表述性等方面给予客观公正的学术评价,亦可对研究提出改进方案或下一步发展的建议。

2. 论文若有勘误表、修改稿等更新的版本,建议评议人针对最新版本的论文进行同行评议。

3. 每位评议人对每篇论文有且仅有一次评议机会,评议结果将完全公示于网站上,一旦发布,不可更改、不可撤回,因此,在给予评议时请慎重考虑,认真对待,准确表述。

4. 同行评议仅限于学术范围内的合理讨论,评议人需承诺此次评议不存在利益往来、同行竞争、学术偏见等行为,不可进行任何人身攻击或恶意评价,一旦发现有不当评议的行为,评议结果将被撤销,并收回评审人的权限,此外,本站将保留追究责任的权利。

5. 论文所展示的星级为综合评定结果,是根据多位评议人的同行评议结果进行综合计算而得出的。

勘误表

上传勘误表说明

  • 1. 请按本站示例的“勘误表格式”要求,在文本框中编写勘误表;
  • 2. 本站只保留一版勘误表,每重新上传一次,即会覆盖之前的版本;
  • 3. 本站只针对原稿进行勘误,修改稿发布后,不可对原稿及修改稿再作勘误。

示例:

勘误表

上传勘误表说明

  • 1. 请按本站示例的“勘误表格式”要求,在文本框中编写勘误表;
  • 2. 本站只保留一版勘误表,每重新上传一次,即会覆盖之前的版本;
  • 3. 本站只针对原稿进行勘误,修改稿发布后,不可对原稿及修改稿再作勘误。

示例:

上传后印本

( 请提交PDF文档 )

* 后印本是指作者提交给期刊的预印本,经过同行评议和期刊的编辑后发表在正式期刊上的论文版本。作者自愿上传,上传前请查询出版商所允许的延缓公示的政策,若因此产生纠纷,本站概不负责。

发邮件给 王小芳 *

收件人:

收件人邮箱:

发件人邮箱:

发送内容:

0/300

论文收录信息

论文编号 201710-51
论文题目 基于Faster R-CNN的工件表面质量缺陷检测
文献类型
收录
期刊

上传封面

期刊名称(中文)

期刊名称(英文)

年, 卷(

上传封面

书名(中文)

书名(英文)

出版地

出版社

出版年

上传封面

书名(中文)

书名(英文)

出版地

出版社

出版年

上传封面

编者.论文集名称(中文) [c].

出版地 出版社 出版年-

编者.论文集名称(英文) [c].

出版地出版社 出版年-

上传封面

期刊名称(中文)

期刊名称(英文)

日期--

在线地址http://

上传封面

文题(中文)

文题(英文)

出版地

出版社,出版日期--

上传封面

文题(中文)

文题(英文)

出版地

出版社,出版日期--

英文作者写法:

中外文作者均姓前名后,姓大写,名的第一个字母大写,姓全称写出,名可只写第一个字母,其后不加实心圆点“.”,

作者之间用逗号“,”分隔,最后为实心圆点“.”,

示例1:原姓名写法:Albert Einstein,编入参考文献时写法:Einstein A.

示例2:原姓名写法:李时珍;编入参考文献时写法:LI S Z.

示例3:YELLAND R L,JONES S C,EASTON K S,et al.

上传修改稿说明:

1.修改稿的作者顺序及单位须与原文一致;

2.修改稿上传成功后,请勿上传相同内容的论文;

3.修改稿中必须要有相应的修改标记,如高亮修改内容,添加文字说明等,否则将作退稿处理。

4.请选择DOC或Latex中的一种文件格式上传。

上传doc论文   请上传模板编辑的DOC文件

上传latex论文

* 上传模板导出的pdf论文文件(须含页眉)

* 上传模板编辑的tex文件

回复成功!


  • 0

基于Faster R-CNN的工件表面质量缺陷检测

首发时间:2017-10-17

唐倩 1   

唐倩(1993-),女,硕士研究生,主要研究方向:图像处理

文静 1   

文静(1978-),副教授,硕导,主要研究方向:工业自动化检测,智能系统,图像处理

  • 1、重庆大学计算机学院,重庆 400044

摘要:在工件缺陷表面检测中,传统方法缺陷检测的准确率较高,但要求图片特征明显,因此在实际应用中的效果并不理想。最近几年,深度学习在各个领域都取得了卓越的成绩,因此,我们考虑将深度学习应用到工件表面质量缺陷检测。在本文中,我们提出基于faster R-CNN的工件表面质量缺陷检测。在工厂实际环境中,采集的工件表面缺陷图像并不是十分丰富,因此我们在已有的缺陷图片之上,对图片进行滤波,锐化,旋转,缩放,明暗变化等处理,构成新的缺陷图片集。之后对正负样本图片集进行标注。我们用RPN(全卷积神经网络)生成多个建议窗口,采用Alex网络进行特征提取,用SoftMax Loss(探测分类概率)对其进行分类,最后采用多任务损失函数实现边框回归。实验结果证明,本方法无论在检索速度,还是在准确率上的效果都优于传统的方法。

关键词: faster R-CNN 工业检测 RPN Alex网络 缺陷图片集

For information in English, please click here

Faster R-CNN based Inspection of surface quality defects of workpiece

TANG Qian 1   

唐倩(1993-),女,硕士研究生,主要研究方向:图像处理

WEN Jing 1   

文静(1978-),副教授,硕导,主要研究方向:工业自动化检测,智能系统,图像处理

  • 1、College of Computer Science Chongqing University,Chongqing 400044

Abstract:In the defect detection of the workpiece, the accuracy of the traditional method of defect detection is high, but it requires the picture\'s features obvious, hence the effect is not ideal in practical application. In recent years, deep learning has achieved remarkable results in all areas, so we consider applying deep learning to the workpiece surface quality defect detection. In this paper, we propose a workpiece surface quality defect detection based on faster R-CNN. In the actual environment of the factory, for the workpiece surface defective image acquisition is not very rich, so besides the defective picture we have, we process the pictures by filtering, sharpening, rotation, zoom, shading changes and other processing, to constitute a new defective photo collection. Then the positive and negative samples are marked. We use RPN (full convolution neural network) to generate multiple suggestions window, using Alex network for feature extraction, with SoftMax Loss (classification probability) to classify them, and finally use multi-task loss function to achieve border regression. The experimental results show that the method is superior to the traditional method in terms of retrieval speed and accuracy. Key words: faster R-CNN; industrial inspection; RPN; Alex Net; defective image set

Keywords: faster R-CNN industrial inspection RPN Alex Net defective image set

Click to fold

点击收起

基金:

论文图表:

引用

导出参考文献

.txt .ris .doc
唐倩,文静. 基于Faster R-CNN的工件表面质量缺陷检测[EB/OL]. 北京:中国科技论文在线 [2017-10-17]. http://www.paper.edu.cn/releasepaper/content/201710-51.

No.****

同行评议

共计0人参与

评论

全部评论

0/1000

勘误表

基于Faster R-CNN的工件表面质量缺陷检测