基于深度学习在印品缺陷检测分类的应用研究
缺陷检测是工业上非常重要的一个应用，尤其是在印刷领域，由于缺陷多种多样，传统的图像处理方法和传统的机器视觉算法很难做到对缺陷特征完整的建模和迁移，复用性不大，要求区分工况，这会浪费大量的人力成本。深度学习在特征提取和定位上取得了非常好的效果，越来越多的学者和工程人员开始将深度学习算法引入到缺陷检测领域中。 本论文将基于卷积神经网络的单阶段目标检测算法YOLOv4-tiny引入到印刷电路板的表面缺陷检测中并进行改进，虽然有些不足，但整体上取得了非常优良的效果。在数据集制作方面，所有印刷电路板缺陷图像都是由一个线性扫描CCD获得的，将其预处理为大小640×640的图像。本论文配置的实验环境如下：操作系统为Ubuntu18.04。CPU为IntelXeonE5-2678v3，主频为2.5GHZ。GPU是NVIDIAGeForceGTX1080Ti。为了充分利用GPU加速网络训练，系统中安装了CUDA10.1及其配套的CUDNN。深度学习框架是Darknet。 主要创新点有：（1）针对印刷电路板表面的印刷缺陷非常细小的特点，在YOLOv4-tiny的主干网络结构中增加空间注意力模块spp，得到YOLOv4-tiny-spp算法模型，以提高对微小目标缺陷特征的提取能力，改进后精度提高了0.8%，视频检测的FPS（目标网络每秒可以检测多少张图片）为125；（2）为了提高YOLOv4-tiny的检测准确率，在上述YOLOv4-tiny-spp算法模型基础上使用了基于三检测器的改进算法得到模型YOLOv4-tiny-spp-3l，减少对小目标的漏检，从而提高了对小目标的检测能力，但改进后的检测精度和检测速度都有所下降，这可能是特征信息的丢失导致的；（3）为了最大程度丰富特征图的特征信息，我们设计了辅助残差网络块，通过使用3x3感受野和跳层连接操作来提取全局特征。最后，将我们设计的辅助网络合并到骨干网络中以构建新的骨干网络YOLOv4-tiny-spp-3l-cbl。这样就实现了深层网络和浅层网络的融合。使得改进后的骨干网络能够提取检测对象的全局和局部特征，检测精度提高了2.1%。 通过基于深度学习的印刷电路板表面缺陷检测的方法，能够智能化的对电路板表面缺陷检测分类，不仅在速度上能够满足实时检测的需求，提高了工作效率，而且能够节省人力资源，节约企业成本。
印刷缺陷;YOLOv4-tiny;注意力机制;小目标检测;辅助残差网络
天津科技大学
硕士
轻工技术与工程
陈永利;景凌云
2022
中文
TS807
2023-08-29（万方平台首次上网日期，不代表论文的发表时间）