关键词:
YOLOv5
Shuffle Attention
外观缺陷检测
卷积神经网络
MobileNet V3
摘要:
新一代信息技术为传统制造过程赋予数字化、全连接、数据智能和决策智能等能力,智能制造成为未来制造业发展的重大战略。作为一种便携式计算机设备,笔记本电脑的生产工艺要求更高,生产线上装配完成的笔记本有一定的概率会存在外观缺陷,如划痕、亮线、颗粒等,对这类外观缺陷,需要在出厂前进行排查,以确保产出的笔记本的外观符合既定标准。传统制造过程中依赖于人工进行缺陷检测,存在效率低、主观性强等局限性;此外,传统的视觉识别算法在识别不规则和随机的缺陷时表现不佳,难以满足高质量产品的检测需求。为了提升缺陷检测效率与精度,促进智能制造的高质量化发展,本文研究了基于深度学习的笔记本外观缺陷检测方法,主要研究工作如下:
(1)依托联宝(合肥)电子科技有限公司笔记本生产线,采集笔记本外观缺陷样本并制作缺陷检测数据集。针对样本类型不平衡、样本缺失等问题,通过随机旋转、亮度变换、随机翻转的方法实现数据扩充,再将数据进行人工标注制作成数据集。
(2)针对笔记本外观缺陷检测问题,本文提出了一种基于改进SA-YOLOv5算法的笔记本外观缺陷检测模型。首先,选择YOLOv5算法作为基础算法,通过增加Shuffle Attention注意力机制使得模型更关注重要特征抑制不显著特征从而提高检测性能;其次,为了减弱传统目标框损失函数几何因素的影响,使用WIo U目标框损失函数,优化了模型训练收敛速度且提高了缺陷边框定位精度,提高了模型的泛化能力;最后,给出实验结果表明所建立的模型在笔记本外观缺陷上取得了理想的表现,其中准确率达到83.4%,召回率达到76.9%,m AP达到78.4%。
(3)为了提高现有笔记本外观缺陷检测效率,降低算法参数量以及模型大小,进一步提出了一种基于改进轻量化SA-YOLOv5的笔记本外观缺陷检测算法。基于Mobile Net V3轻量化网络和YOLOv5算法建立深度学习神经网络模型,模型大小降低到3.2MB,降低计算量以提高模型检测速度,检测一张图片所用时间由原始的88.7ms降低至26.5ms。综合实验结果表明,该算法在笔记本外观缺陷上的准确率达到86.0%,召回率达到73.4%,m AP达到78.4%,更有利于满足笔记本外观缺陷检测任务的检测精度和实时性要求。