Page 106 - 无损检测2024年第十一期

孟令波，等：

基于 YOLO 网络模型的多类别标签缺陷检测

基于深度学习卷积神经网络的检测方法。龙晓薇等 [2] 在实际的工程应用中，受各种环境因素的影响，
提出边缘检测分割技术与数学形态处理相结合的算 使用一种方法难以满足工程的具体要求，为适应多
法流程，通过分析图像缺陷的统计特性，提取PVC 种类的热转印标签及多环境缺陷检测，文章将传统
（聚氯乙烯）建材表面缺陷区域的特征参数，利用决 的图像处理方法与深度学习检测方法相结合，使用
策树检测气泡、色痕、裂痕等缺陷；WU等 提出了 深度学习的检测方法替换比较耗时且处理效果较差
[3]
一种基于图像处理和模式识别的轴承内圈缺陷视觉 的标签部分，从而实现对多种热转印标签不同种类
检测装置，该检测系统能够快速、稳定、可靠地检测 缺陷的有效检测。
出轴承内圈表面缺陷；ZHAI等 通过局部灰度、局
[4]
1 自适应匹配检测算法
部对比度和边缘角点效应等特征生成模拟人类视觉
系统的显著性图像，采用的均值漂移算法和自适应 对于现场采集的标签图像（见图1），标签区域
阈值检测算法对钢轨表面缺陷表现出良好的识别能 采用文章的自适应匹配算法进行匹配检测。
[5]
力；李克斌等 提出了基于方向梯度的改进区域生
长算法，实现了表面划痕的检测；张小琳等 通过改
[6]
进的中值滤波算法对焊缝区域进行背景估计，反背
景差分获得含有缺陷的差分图像，并通过自适应阈
值分割将含有缺陷的差分图像二值化，进而识别出
[7]
缺陷；黄梦涛等 改进Canny边缘算子对锂电池极
片表面缺陷进行检测，获取图像的高、低阈值，通过
逻辑与运算对两种算法阈值分割后的检测结果进行
边缘融合，并利用形态学闭运算和细化算法修复检
测缺陷；王宪保等 提出了一种基于深度学习的太
[8]
阳能电池片表面缺陷检测方法，建立了深度置信网 图 1 采集的标签图像
络，通过BP算法微调网络参数，得到训练样本到无 将采集的热转印标签图像进行预处理，按照不
缺陷模板之间的映射关系，然后利用重构图像与缺 同区域进行定位分割，为提高后续匹配精度，采用细
陷图像之间的对比关系实现测试样本的缺陷检测； 节增强的算法提高标签边缘与背景间的对比度，为
CHEN等 提出了一种高效的小型缺陷检测网络， 更加锐化图像边缘特征信息，文章采用拉普拉斯算
[9]
引入新型并行卷积模块、串行卷积模块和特征融合 子来检测图像的强边缘，即
模块增强小缺陷的检测能力；于志斌等 [10] 提出了一 g (, )= (, )+ [∇ 2 f (, )] （1）
xy
f
xy
c
xy
种基于深度学习算法与传统机器视觉的晶圆缺陷检
式中：f ( x，y )为原始图像；g ( x，y )为锐化后图像；

测方法，使用深度学习进行定位，形态学膨胀检测潜
c为标志参数。
在划痕，针对氧化层不规则缺陷，根据凸缺陷的最远
计算锐化后图像边缘梯度，经梯度值将边缘特
点到凸包的距离判断是否存在缺陷；XU等 [11] 针对
征进一步提取，即
金属表面缺陷检测提出了一种改进的基于YOLO模
 1 0 -1 
型的检测技术，将浅层特征与神经网络的深层特征  
A= 2 0 -2   （2）
相结合，提取更多的小缺陷特征，增强了缺陷检测能
 
力；李闻等 [12] 提出了一种改进的YOLO V3网络的  1 0 -1 
PCB缺陷检测算法，使用DBSCAN+K-Means聚类 1  
算法选择更适合的Anchor Boxes，增加了残差单元  2 1 
B = 0  0 0  （3）
以及SE Block模块，改进了特征融合结构以提高对  
PCB缺陷的检测能力。LI等 [13] 提出了一种基于改  -1 -2 -1 
进的YOLO V4算法的带钢表面缺陷检测方法，将注 × × （4）
意力机制嵌入到主干网络结构中，将路径聚合网络
修改为自定义的感受野块结构，增强了缺陷的特征 ×
（5）
提取，提高了检测准确度。 ×
68
2024 年 第 46 卷 第 11 期
无损检测