郑亚睿,蒋三新

(上海电力大学电子与信息工程学院,上海 201306)

0 引言

在工业生产中,产品的表面缺陷检测至关重要。如何高效找出缺陷,保证产品的产量和良品率,一直是研究热点。目前,传统人工筛选缺陷的方法已逐步被机器视觉自动检测器替代,然而,机器视觉算法[1-4]聚焦在构建模式识别器,没有从缺陷图像中学习到有效特征,复用性不大,很难对各类缺陷进行迁移。

近年来,基于深度学习的算法由于强大的特征提取能力在各领域得到广泛应用,给缺陷检测带来了新思路[5]。D. Weimer等[6]提出了用于工业故障检测的深度CNN架构,可以区分重纹理背景下的表面划痕,并建立了具有少量先验知识的产品交付检测系统;J. Shi等[7]提出了一种多通道掩模区域的卷积神经网络来解决木材表面缺陷的问题,并使用快速浏览网格来确定图像是否适合进一步的检测,减少了检测时间;B. Su等[8]采用Faster R-CNN+FPN作为基本探测器,将一种新的双向注意特征金字塔网络(BAFPN)集成到RPN中,检测光伏电池的缺陷;T. Nakazawa 等[9]通过使用28 600幅合成的22类晶圆图对CNN进行预训练,实现对真实晶圆图像的高精度识别,并且设计的模型能够在没有真实数据的情况下实现对罕见事件的检测,这可以帮助技术阶段的开发。

表面缺陷检测任务是目标检测的一个分支。当前主要的目标检测模型,无论是基于一阶段的YOLO[10]、RetinaNet[11],还是两阶段的Faster R-CNN[12]、Cascade R-CNN[13]等都设置了密集的候选预测框,需要非极大值抑制(Non-Maximum Suppression,NMS)[14]来处理这些冗余,增加了计算成本。……