王晓茹，张雪英+，黄丽霞，赵利军，肖方生，王安红

(1.太原理工大学 信息与计算机学院,山西 太原 030024；2.太原科技大学 电子信息学院,山西 太原 030024；3.中国电子科技集团公司 第二研究所，山西 太原 030024)

0 引 言

近年来，随着图像处理技术的发展，用机器视觉代替人类视觉进行硅片图像的缺陷检测，已成为光伏硅片生产线上必不可少的环节。通过对硅片图像中缺陷的形状、类型、面积、位置的分析计算[1],实现大规模工业生产过程的无损检测需求。

然而，由于硅片缺陷图像目标区域小、对比度低、光照不均匀，现有机器视觉算法识别硅片缺陷会存在以下问题：①工业图像对比度低，很难区分背景中的小目标和其它杂物，导致检测精度降低；②卷积神经网络的多层次池化操作会使得目标区域变得更小[2]，例如每一个32×32像素大小的区域经过五层卷积后最多输出1个像素；③Faster R-CNN默认的锚点框尺寸较大，训练过程中易导致RPN产生的候选区域和真实(ground truth，GT)区域之间重叠比例小于阈值而被误认为负样本，从而导致硅片缺陷的漏检[3]，因此标准检测方法的锚点默认设置不适用于硅片缺陷数据的训练和检测。

基于以上分析，本文提出一种锚点集的优化方法，并将之用于Faster R-CNN网络进行真实工业现场的硅片图像缺陷检测。首先，根据GT box的大小和期望的定位精度，通过数学理论分析，得到优化后的候选窗锚点集，并推导出可提取的最小目标区域的anchor尺寸；最后，通过调整检测阶段非极大值抑制(NMS)获取锚点的数量，提高检测速度。……