基于红外和可见光图像融合的铺丝缺陷检测方法

为提高纤维自动铺放(AFP)的质量,分析了目前视觉检测技术中单光谱检测技术成像的局限性,提出一种基于深度学习的红外与可见光联合检测缺陷手段以实现对铺放缺陷的检测、定位和分类。利用热红外图像与可见光图像中易检缺陷种类不同的特点,采用特征融合网络将两种光谱信息融合从而改善检测效果。考虑在线检测对实时性要求较高,为提高检测速度,采用单阶段检测网络作为检测框架,并依据纤维缺陷的长宽比分布严重不均的特点分析了单阶段检测网络中基于锚框方法的不足,提出采用无锚框的检测框架,增加改进的特征金字塔网络结构进行多尺度预测。以全类平均正确率(mAP)为衡量指标,实验结果相比单光谱检测方法、基于锚框检测方法和未使用改进特征金字塔结构分别提升了6.30%、6.64%和1.02%。通过Tensor RT加速后检测网络对每张608像素×608像素图像的检测时间小于20 ms,满足实时检测的需求,检测平均召回率超过88%,平均精确率超过82%,满足生产准确度需求。数据在试验台进行离线检测验证得出,并在大型龙门铺丝机上进行了在线测试。