关键词:
缺陷检测
目标检测
轻量化网络
数据增强
图像异常检测
摘要:
笔记本电脑是日常工作和学习的必不可少的工具,面对相同的配置时,消费者更加在意笔记本电脑外观和触感。笔记本电脑的外观和触感提升离不开构成外壳的材料和工艺,这促使笔记本电脑企业在设计和生产新产品时会运用新材料和新工艺。随着新材料和新工艺的不断出现,在投入量产时会给缺陷检测带来新的挑战,容易出现缺陷产品流入市场,这不仅影响消费者的购买热情,也损害企业品牌形象。实际生产中对于产品表面缺陷依旧是人工检测,由于存在人员流动,或者不同的检测人员对缺陷的理解不统一,在生产的高峰期无法提供稳定的合格率。传统的视觉方法对于有规则的缺陷有着较好的检测效果,但是面对不规则,随机出现的缺陷检测效果不佳。随着深度学习技术不断地发展,使用深度学习检测笔记本电脑表面缺陷成为可能。本论文将分别从目标检测和图像异常两个方向提出笔记本电脑表面缺陷检测方法。目标检测方法中将缺陷作为图像检测目标,本文选择当前在工业领域流行的目标检测方法YOLOv5作为基准进行改进。首先,本论文对网络进行重构,使用轻量级的Ghost卷积重构YOLOv5,有效降低了参数量和计算复杂度。为了解决卷积核感受野较小,难以捕捉长距离的依赖信息问题,通过增加Sim AM注意力机制让高层主干网络获取更大的感受野,能够有效提高模型对缺陷的检测效果。重构后的网络YOLOv5-Sghost能够达到先进水平。由于异常图像与正常图像相比,所占比例较小,采集成本较高。显然,如果神经网络能够学习异常数据,模型就会有更好的可分辨性。针对这一问题,本文还提出一种基于自监督的图像异常检测方法。本文通过数据增强随机制造大小不一,位置随机的缺陷数据用来模拟真实的缺陷,将制造的缺陷数据和正常数据一起构成自监督数据集。尽管制造的缺陷数据和真实的缺陷数据有差异,但是神经网络的强大的泛化能力使得训练好的模型依然能够分辨真实缺陷图像。此外,将ECA-Net和主干网络结合,能够捕获语义信息,提高异常检测的准确性。最后,通过CAM-loss驱动主干网络对目标类别获得更具鉴别性的特征表示,从而使Grad-CAM能够获得更好的图像级别定位。