您当前的位置： 首页 > 论文 > 2020,51(01) > 信息工程
基金项目:
山西省重点研发项目(201703D12111242);山西省重点学科建设经费资助,山西省互联网+3D打印协同创新中心,山西省“1331工程”重点创新团队建设计划资助,先进控制与智能信息系统山西省重点实验室(201805D111001);平板显示智能制造装备关键技术研发工程研究中心,山西省重点研发计划重点项目(201703D111027,201703D111023)
分类号:
TP391.41;TP18
DOI:
10.16355/j.cnki.issn1007-9432tyut.2020.01.017
期刊号:
2020,51(01)
收稿日期:
修回日期:
| 通讯作者 | 单位 |
| 孙志毅 | 太原科技大学电子信息工程学院 |
摘要:
针对现有的基于深度学习检测缺陷的方法虽然可以保证分类的准确率,但其检测速度慢,模型占用内存大,难以满足在线检测系统的实时性要求等问题,提出了一种基于深度学习的偏光片缺陷实时检测算法。首先,设计了一个新的并行模块用于构建偏光片缺陷检测网络,模块将不同尺寸大小的卷积核相混合,与传统的卷积层相比,可以融合不同尺度的特征并能提取到更丰富的缺陷特征;用深度可分离卷积替代模块中的标准卷积,这可以大大减少网络的参数量和乘法累计运算量(MACCs).其次,用非对称卷积代替并行模块中的深度可分离卷积得到并行非对称卷积模块,可以进一步减少网络的参数量。最后,使用全局均值池化层代替全连接层,大大减少了网络的参数量。实验结果表明,偏光片缺陷分类模型平均每张图片的测试时间为108 ms,模型在测试集上的准确率达到99.4%,同时模型占用内存为0.583 MB,能够满足工业中偏光片缺陷检测的实时性要求。
关键字:
偏光片;缺陷检测;深度学习;并行模块;并行非对称卷积;全局均值池化;