基于深度学习的子弹缺陷检测方法

针对子弹的表面缺陷检测使用常规的图像处理效果并不理想,文章提出使用改进的卷积神经网络和Faster RCNN网络相结合的方法,首先采集子弹不同类型的缺陷图像作为数据集,然后使用改进后的VGG16和ResNet50两种卷积神经网络分别处理数据集图像,再经过RPN网络和Fast RCNN网络的训练,对图像进行分类与缺陷特征提取,获取比较准确的缺陷区域的框图.实验结果表明,使用改进后的卷积神经网络与Faster RCNN网络相结合的方法可以提高子弹缺陷检测的准确率、召回率和mAP,准确率、召回率和mAP均可达到90％.