基于RetinaNet的手机主板缺陷检测研究

发布时间：2021-04-01 08:30

　　不同型号手机的主板图像具有多分辨率的成像模式,使缺陷元件是多尺度的。常规缺陷检测方法主要有图像融合方法和提取统计模型的方法,但这些方法的鲁棒性仍需要提高。针对该问题,提出了一种自动检测网络模型,即RetinaNet目标检测器。首先使用特征金字塔网络（FPN）提取缺陷元件的多尺度特征分类和位置,然后引入MobileNetV2以压缩和加速RetinaNet模型,最后使用焦点损失解决类不平衡和难以检测样本对损失贡献程度的问题。实验结果表明, RetinaNet能有效地检测不同尺度的缺陷元件,具有很高的检测精度;与其他目标检测器相比,RetinaNet实现了超过95%的平均精度（mAP）。这些结果表明了本文所提模型的有效性。 

【文章来源】：计算机工程与科学. 2020,42(04)北大核心CSCD

【文章页数】：10 页

【部分图文】：

RetinaNet的结构

ResNet50结构

图2 ResNet50结构ResNet50包括2个基本的构建块:卷积构建块(Conv Block)和恒等构建块(IDentity Block),分别如图2中的Conv Block和ID Block所示。ResNet50包含了5个不同的卷积阶段,如图2中的stage1～stage5,每个阶段都包括1个下采样块和2个残差块,如图3所示[21]。其中,区域1的下采样块会设置最初的卷积步长为1,通过该方式对特征图进行下采样,使得图像尺寸得到缩减。而在区域2及之后对特征图进行相加处理,可避免深层网络的梯度消失和退化问题。每个卷积阶段中卷积构建块将图像特征从低语义层提取到高语义层。


本文编号：3113018