摘要
目前，表面微小缺陷的检测问题是工业研究的热点问题。本文针对基于深度学习的缺陷检测问题进行研究，尤其关注表面微小缺陷检测的问题。考虑到基于深度学习的表面微小缺陷检测所面临的高成本、误检率高和准确性差等问题，本文对现有神经网络结构进行改进，提出了两种创新的微小缺陷检测方法，本文的主要工作如下： 首先，本文提出了一种带有小波变换模块的深度学习网络结构。这种结构引入了“小波变换联通层”和“小波变换层”对特征进行小波变换操作，增强网络对目标的感知能力，对检测结果进行优化。对表面缺陷数据集中划痕和点状缺陷进行检测时，带有新结构的网络可以有超过90%的平均检测精度(meanaverageprecision，mAP)。为了验证网络在复杂环境下的检测效果，本文在不同数据集上进行了目标检测实验，改进后的网络对小目标检出率有近15%的提升。结果表明，相比原始网络，这种结构能够显著提高对微小缺陷的检测精度。 其次，本文提出了一种基于背景回溯的特征尺度变换方法。此方法通过调整预测框，使得特征信息尽可能偏向可能目标的尺度，以便进行更快速的检测。此方法通过设计置信度来判断特征点是否为背景，并通过设计特定的运算策略来减弱背景特征对上层特征的影响。为了减少计算负担，本文还设计了一种向量赋0策略。本文使用此技术对表面缺陷数据集中不同尺度的目标进行了实验，优化后的网络在检测点状缺陷提高了近20%的平均检测精度mAP，综合不同尺度的目标，优化后的网络提高了近11%的mAP。实验结果显示，相比原始网络，本文提出的新技术在保证检测速度的前提下提高对不同尺度目标的检测精确度。 最后，针对缺陷检测应用场景，本文设计并开发了一个具有数据管理、缺陷检测、模型管理功能的检测软件系统，以便将研究成果应用于实际场景。 本文研究针对微小缺陷检测问题提出了两种创新的解决方案，相比原始网络，本文提出的新结构和新技术在不同的情况下提高对目标的检测精确度。为相关微小缺陷检测任务带来了新的视角和可能的改进路径。
NETL