【摘 要】
：
针对智能手机玻璃盖板缺陷检测方法存在检测柔性差、良率低、检测时间长等问题,提出一种改进YOLOv3的智能手机玻璃盖板缺陷检测方法.在特征提取网络方面增加通道注意力机制以解决缺陷特征不明显的问题,在特征检测网络方面增加了104×104维度大小的特征图以解决缺陷多尺度的问题,最后对模型进行剪枝减少模型参数,提高缺陷检测速度.从智能手机玻璃盖板生产现场获得涵盖崩边、坑点、脏污和划痕等4类缺陷的图片构建缺陷数据集,对本文提出的方法和Faster R-CNN、YOLOv3、YOLOv4等算法进行对比实验和分析.实验
【机 构】
：
湖南科技大学机械设备健康维护湖南省重点实验室,湖南湘潭411201
论文部分内容阅读
针对智能手机玻璃盖板缺陷检测方法存在检测柔性差、良率低、检测时间长等问题,提出一种改进YOLOv3的智能手机玻璃盖板缺陷检测方法.在特征提取网络方面增加通道注意力机制以解决缺陷特征不明显的问题,在特征检测网络方面增加了104×104维度大小的特征图以解决缺陷多尺度的问题,最后对模型进行剪枝减少模型参数,提高缺陷检测速度.从智能手机玻璃盖板生产现场获得涵盖崩边、坑点、脏污和划痕等4类缺陷的图片构建缺陷数据集,对本文提出的方法和Faster R-CNN、YOLOv3、YOLOv4等算法进行对比实验和分析.实验结果表明,本文提出方法的检测平均精度均值(mean Average Precision,mAP)为81.0％,检测速度为43.1 fps.相比原始YOLOv3算法,检测mAP提升了3％,检测速度增加了6.7 fps,相比于其他深度学习算法,检测速度和检测精度均有所提升.所提方法满足智能手机玻璃盖板工业生产现场缺陷高精度、高效检测的需要.
其他文献
基于事件的视觉传感器是一种新型的仿生型视觉传感器,它更类似于人眼的工作机制使其广受关注.与基于帧的传统相机的工作机制和输出方式不同,基于事件的视觉传感器的像素可以单独检测光照强度对数的变化,并在变化量超过一定阈值时输出包含位置、时间、极性的事件信息,拥有低延迟、高动态范围、低功耗的优点,其独特的输出方式和工作特性使其特别适应于有高速运动、光照条件变化较大或小能耗的场合.本文介绍了事件相机的发展历程、分类和工作原理、优缺点,以及事件相机在快速运动的跟踪与监测、目标识别、即时定位与地图构建(SLAM)等领域近
SRGAN是基于深度学习的图像超分辨率的典型方法,重建效果较好,但该算法还存在一些缺陷,在提高图像质量和运行速度上仍然有较大提升空间.本文在SRGAN网络模型的基础上提出了一个优化模型.因为批量归一化(BN)层在超分辨图像重建中常常会忽略一些图像的细节,同时增加网络的复杂度,所以在SRGAN的生成器中去除了BN层,并引入ECA通道注意力,使每个残差块生成特征图获得相应的权重,以便处理更多的图像细节.经过公开数据集的训练和对比实验,结果表明提出的改进模型相比于对比模型,重建图像的细节恢复更丰富,视觉效果更好