沈阳理工大学 黄海新 金 鑫

随着制造业的高速发展，缺陷检测在制造型企业中的重要性变得来越高。然而大多数生产厂商还使用人工或基于机器视觉的方法进行缺陷检测。人工检测的效率和可靠性通常很低。采用机器视觉算法对产品进行质量检测是一种比较成熟的方案。但缺陷种类过多时，此类算法存在人工设计特征效率低、泛化性差、处理步骤繁琐等缺陷。近年来的研究表明，深度学习方法已广泛应用于目标检测领域，但对小目标检测的研究较少。为了提高小目标及小样本的检测精度，本文提出了一种基于YOLOv4的改进方法。此方法不但可以满足检测的速度和精度，而且在小样本的情况下成功的检测出纳米级尺度上的制造缺陷。

近年来，基于深度学习的方法在目标检测领域取得了重大突破。 因此将深度学习算法应用于产品质量检测，成为一个主流的研究方向。鉴于YOLO算法不但拥有极高的检测速度，而且有着不逊于R-CNN系类算法的精度，因此成为本研究的首选研究算法。

本研究使用的数据集来自国内某高端制造企业。样本图像为其生产线中的工业摄像头拍摄的CMOS滤光片支架。尺寸大小为6.5×6.5mm。图像样本中共有五类缺陷。由于目标物体尺寸小、经网络提取后的特征不明显，因此小目标物体检测存在漏检率高，检测精度低等缺陷。此外厂商提供的数据集中只包含112张图像。针对上述问题，本文在YOLOv4的基础上做了如下的改进：