针对工业铝材缺陷检测中由缺陷样本稀疏带来的训练过拟合、泛化性能差等问题,提出一种基于多任务深度学习的铝材缺陷检测方法。先基于Faster RCNN设计一个包含铝材区域分割、缺陷多标签分类和缺陷目标检测的多任务深度网络模型;再设计多任务损失层,利用自适应权重对各项任务进行加权平衡,解决了多项任务训练中的收敛不均衡问题。实验结果表明,在有限的数据集支持下,相较于单任务学习,该方法能够在保持分割任务的均交并比(MIoU)指标最优的情况下,分别提高多标签分类和缺陷目标检测的准确率,解决了由铝材缺陷检测样本少引起的检测精度较低的问题。对于多任务应用场景,该模型能够同时完成三个任务,减少推断时间,提高检测效率。

区域推荐搜索是机器视觉研究热点之一,针对传统目标检测使用穷举式搜索效率低下的问题,通过优化搜索的准确率可提高检测效率。引入复杂网络中用于社区发现的Girvan-Newman(GN)分裂算法,结合小目标区域特征,提出一种基于图像网络结构的小目标检测区域推荐搜索算法。该算法根据区域间多样性颜色直方图相似性构建图像与图的映射关系,通过图中连通子图的生成获取小目标可能区域。能在生成较少候选区的情况下满足较高的召回率,进一步优化小目标检测的时间消耗。