Page 99 - 《应用声学）》2023年第5期

第 42 卷 第 5 期 彭伊娟等： 改进的 Faster-RCNN 算法在聚乙烯管接头内部缺陷检测中的应用 991

VGG16、ResNet50、ResNet50+FPN、ACBM+
VGG16
0.6 ResNet50 ResNet50+FPN 骨干网络识别效果如图 10 ∼ 13
ResNet50+FPN
CBAM+ResNet50+FPN 所示。可以看出，VGG16作为骨干网络时，裂纹缺陷
0.5
未能有效提取，出现了漏检和误判现象；ResNet50
૯ܿ 0.4 相较于 VGG16 骨干网络效果有所提升，但仍然

0.3
出现了漏检和误判现象；ResNet50+ FPN 相较于
0.2 ResNet50网络漏检现象减少，但是对平面状缺陷如
裂纹出现了误判现象；ACBM+ResNet50+FPN 作
0 1 0 2 0 3 0 4 0 5 0
ᝫጷᣃ஝ 为骨干网络，相比 VGG16、ResNet50和ResNet50+
FPN 对各种缺陷的提取效果都有提升，预测框的位
图 9 不同网络模型训练损失曲线图
Fig. 9 Training loss value of different network model 置更加准确，且误判和漏检现象较少。

图 10 VGG16 识别效果图
Fig. 10 Recognition renderings of VGG16

图 11 ResNet50 识别效果图
Fig. 11 Recognition renderings of ResNet50

图 12 ResNet50+FPN 识别效果图
Fig. 12 Recognition renderings of ResNet50+FPN

图 13 ACBM+ResNet50+FPN 识别效果图
Fig. 13 Recognition renderings of ACBM+ResNet50+FPN