| 题名 | 基于改进Faster R-CNN的子弹外观缺陷检测技术研究 |
| 作者 | 马晓云1,2 |
| 答辩日期 | 2019-05-17 |
| 授予单位 | 中国科学院沈阳自动化研究所 |
| 授予地点 | 沈阳 |
| 导师 | 朱丹 |
| 关键词 | 目标检测 Faster R-CNN 子弹外观缺陷 K-means++ 卷积神经网络 |
| 学位名称 | 硕士 |
| 其他题名 | Study on Bullet Surface Defect Detection Technology Based on Improved Faster R-CNN |
| 学位专业 | 控制理论与控制工程 |
| 英文摘要 | 本文主要围绕如何提高子弹外观缺陷检测模型的检测精度和速度进行研究和分析。首先介绍了四种基于候选区域的深度学习目标检测算法，通过实验对比四种算法在PASCAL VOC数据集的检测性能，基于对比结果，本文选择Faster R-CNN作为子弹外观缺陷检测的基础模型。以PASCAL VOC数据集格式标准制作子弹外观缺陷数据集，搭建实验所需软件和硬件环境。将检测模型分别与ZFNet、VGG_CNN_M_1024和VGG16三种不同深度卷积神经网络结合，在子弹缺陷数据集进行检测，检测结果表明，采用较深层网络VGG16的Faster R-CNN模型检测性能优于其余两种模型方案。针对子弹外观缺陷数据集，本文在Faster R-CNN基础上结合K-means++改进锚框的生成方法，得到基于改进Faster R-CNN的子弹外观缺陷检测模型。实验结果表明，改进模型在原文算法基础上检测精度与速度均有所提升。 |
| 语种 | 中文 |
| 产权排序 | 1 |
| 页码 | 65页 |
| 内容类型 | 学位论文 |
| 源URL | [http://ir.sia.cn/handle/173321/25176]  |
| 专题 | 沈阳自动化研究所_光电信息技术研究室 |
| 作者单位 | 1.中国科学院大学 2.中国科学院沈阳自动化研究所 |
| 推荐引用方式 GB/T 7714 | 马晓云. 基于改进Faster R-CNN的子弹外观缺陷检测技术研究[D]. 沈阳. 中国科学院沈阳自动化研究所. 2019. |
| 个性服务 |
| 查看访问统计 |
| 相关权益政策 |
| 暂无数据 |
| 收藏/分享 |
除非特别说明，本系统中所有内容都受版权保护，并保留所有权利。
修改评论