查看更多>>摘要：瓷砖生产过程中由于环境的复杂性和随机性导致缺陷特性各异,实际中要构建大规模、高质量的瓷砖表面缺陷数据样本非常困难,而小样本条件下的可分特征信息不足对瓷砖表面缺陷检测的精度有较大影响.针对这一问题,探索了一种融合深度迁移学习和改进两阶段ThunderNet网络的瓷砖表面缺陷检测方法.首先,提出了一种基于改进ThunderNet网络的瓷砖表面缺陷检测模型,阐述了模型的结构与功能特点;其次,构造了瓷砖表面缺陷深度特征空间参数迁移决策机制,以有效提升样本特征表征能力;第三,基于可切换空洞卷积(switchable atrous convolution,SAC)优化ShuffleNet骨干网络,增强模型对缺陷形状变化的学习能力;第四,提出了基于多尺度映射和通道注意力(squeeze and excitation,SE)的特征融合算法,实现有限特征层次中瓷砖表面缺陷特征信息多层次差异化表征;最后,给出了融合深度迁移学习和改进ThunderNet网络的瓷砖表面缺陷检测算法.实验数据表明,在相同的瓷砖表面缺陷测试集上,本文方法对于小样本条件下瓷砖表面缺陷检测具有优越的性能,模型平均精度、平均召回率和平均检测速度分别达到87.22％、93.69％、61.6 ms/img,与传统ThunderNet模型相比,平均精度和平均召回率分别提高了9.30％、4.16％,其中,基于SAC最优空洞率组合{1,2},模型精度提高了5.51％,基于SE的最优压缩率24,模型精度提高了6.16％,基于本文迁移机制,模型精度提高了3.86％,同时加速了网络收敛.本文方法相比于传统ThunderNet网络和其他主流检测模型,通过迁移机制知识共享提高小样本对象特征表达能力,通过引入SAC和SE在控制模型规模的前提下实现对象特征的层次化表征,有效提升了模型的实时性和可靠性.
万方数据
维普