陳其浩， 孫林， 張倩

(山東科技大學(xué)測(cè)繪與空間信息學(xué)院, 青島 266590)

聚苯乙烯是一種無色透明的塑料，其因易加工、廉價(jià)、絕緣等優(yōu)點(diǎn)廣泛用于制作透明件外殼、燈罩、光學(xué)化學(xué)儀器零件等器材[1]，目前國(guó)內(nèi)市場(chǎng)潛力大，應(yīng)用場(chǎng)景廣。聚苯乙烯透明件制造行業(yè)競(jìng)爭(zhēng)激烈，其表面質(zhì)量直接影響投入成本和產(chǎn)品銷量，因此企業(yè)對(duì)透明件表面劃痕檢測(cè)提出了很高的要求。目前傳統(tǒng)的工業(yè)流水線劃痕檢測(cè)手段是人工目視的檢測(cè)方式，這種方法檢測(cè)人員勞動(dòng)強(qiáng)度大，易受主觀影響，并且效率低，經(jīng)常存在漏檢誤檢的情況。

近年來，計(jì)算機(jī)視覺迅猛發(fā)展，其中語義分割、圖像重建[2-3]等技術(shù)目前已廣泛應(yīng)用于人臉識(shí)別[4-5]、醫(yī)療診斷[6]、遙感成像[7]等領(lǐng)域并取得優(yōu)異成果[8]。在缺陷檢測(cè)中，數(shù)字圖像處理理論與深度學(xué)習(xí)相結(jié)合的檢測(cè)技術(shù)展示出準(zhǔn)確率高、檢測(cè)速度快、節(jié)省人力物力等優(yōu)點(diǎn)，其中圖像處理主要負(fù)責(zé)旋轉(zhuǎn)校正、濾波增強(qiáng)，深度學(xué)習(xí)主要實(shí)現(xiàn)缺陷分類與精準(zhǔn)分割。中外學(xué)者在各類透明或光滑物體表面的缺陷檢測(cè)上做了大量的研究，趙文宏等[9]利用均值濾波平滑圖像并采用局部動(dòng)態(tài)閾值分割獲取二值圖像，計(jì)算相連接的區(qū)域剔除干擾部分后再利用形態(tài)學(xué)處理方法較好提取了玻璃屏幕劃痕缺陷，但需要大量人工提前測(cè)量缺陷樣本特征。李晨[10]針對(duì)超光滑光學(xué)元件表面的弱劃痕缺陷檢測(cè)問題，搭建了顯微散射暗場(chǎng)成像系統(tǒng)，并結(jié)合相應(yīng)的自適應(yīng)平滑以及形態(tài)學(xué)差影算法，實(shí)現(xiàn)了超光滑表面中弱劃痕的檢測(cè)，但存在一定的漏檢情況，檢測(cè)效果受光照影響大。李文俊等[11]提出了一種由風(fēng)格遷移網(wǎng)絡(luò)和聚焦卷積神經(jīng)網(wǎng)絡(luò)構(gòu)成的深度神經(jīng)網(wǎng)絡(luò)，算法實(shí)現(xiàn)了亮度不均的復(fù)雜紋理背景下表面劃痕的檢測(cè)和實(shí)時(shí)識(shí)別，但所需數(shù)據(jù)量大，圖像標(biāo)注任務(wù)繁重。郭瑞琦等[12]利用U-Net訓(xùn)練缺陷分割模型，在感興趣區(qū)域的基礎(chǔ)上模擬視覺感知原理，實(shí)現(xiàn)了汽車輪轂表面的缺陷自動(dòng)分割，但算法存在漏判或誤判現(xiàn)象，分割精度有待進(jìn)一步提高。Pan等[13]由定制的顯微掃描系統(tǒng)采集圖像并建立數(shù)據(jù)集，提出了一種基于Mask R-CNN的像素級(jí)實(shí)例分割模型，完成了在復(fù)雜背景下的透明建筑材料表面劃痕檢測(cè)和分割，但模型計(jì)算成本高，訓(xùn)練與檢測(cè)耗時(shí)較長(zhǎng)。由以上分析可知，傳統(tǒng)機(jī)器視覺檢測(cè)算法或深度學(xué)習(xí)方法在各類缺陷檢測(cè)應(yīng)用上仍有許多不足，對(duì)于小目標(biāo)缺陷的檢測(cè)在精度和速度上都亟待提高。

基于此，現(xiàn)針對(duì)工業(yè)流水線冰箱透明件表面劃痕檢測(cè)問題，搭建圖像采集系統(tǒng)獲取被測(cè)物體表面圖像，為了精確提取劃痕缺陷，減少漏檢誤檢的現(xiàn)象，使用深度學(xué)習(xí)中的顯著性目標(biāo)檢測(cè)網(wǎng)絡(luò)U2-Net來進(jìn)行細(xì)微劃痕檢測(cè)的方法，并分析U2-Net網(wǎng)絡(luò)框架復(fù)雜、參數(shù)較多所導(dǎo)致的過擬合、訓(xùn)練時(shí)間長(zhǎng)以及檢測(cè)速度慢等問題，優(yōu)化損失函數(shù)，給出將Mosaic數(shù)據(jù)增強(qiáng)、深層可分離卷積和Attention機(jī)制融入網(wǎng)絡(luò)的改進(jìn)方案。該方案通過實(shí)例證明其在透明件劃痕檢測(cè)中具有較高的檢測(cè)精度和速度，以期為企業(yè)生產(chǎn)的缺陷檢測(cè)提供理論基礎(chǔ)。

1 數(shù)據(jù)集準(zhǔn)備

訓(xùn)練深度學(xué)習(xí)網(wǎng)絡(luò)需要采集大量圖像，高質(zhì)量的圖像數(shù)據(jù)集對(duì)微小劃痕檢測(cè)至關(guān)重要。模擬工業(yè)流水線上的圖像采集系統(tǒng)，因?yàn)橥该骷嬖谕该魍腹?、受光泛白反光等特性，?jīng)過反復(fù)實(shí)驗(yàn)比對(duì)，選擇面光源正面打光、低亮度的方式，使用大華200萬像素彩色相機(jī)和大華8 mm鏡頭采集透明件圖像，圖像采集系統(tǒng)如圖1所示。

受光照、產(chǎn)品運(yùn)輸以及圖像采集過程中可能產(chǎn)生的噪聲影響，在表面劃痕檢測(cè)前，應(yīng)用中值濾波算法去除噪聲，提高圖像信噪比。由于實(shí)際生產(chǎn)中，瑕疵品占比較低，采集大量不同種類的樣本圖像較為困難，而樣本的數(shù)量又直接影響到模型的訓(xùn)練程度，所以對(duì)采集的圖像進(jìn)行翻轉(zhuǎn)變換、隨機(jī)縮放、平移旋轉(zhuǎn)等操作來達(dá)到數(shù)據(jù)集擴(kuò)充的目的。

采集到透明件原始圖像150張，其中包含100張缺陷圖像和50張無缺陷圖像。使用上述噪聲去除和數(shù)據(jù)集擴(kuò)充方法對(duì)圖像進(jìn)行處理，得到有缺陷與無缺陷的圖像共1 000張，其中有缺陷圖像占大部分。處理后的數(shù)據(jù)集圖像分辨率為960×600像素，位深數(shù)為24，使用Labelme軟件對(duì)樣本圖像中的劃痕進(jìn)行標(biāo)注，依據(jù)工業(yè)產(chǎn)品檢測(cè)標(biāo)準(zhǔn)，只標(biāo)注出需要檢測(cè)的劃痕，其他輕微擦拭或指紋等痕跡不進(jìn)行標(biāo)注，并將標(biāo)注部分和非標(biāo)注部分的像素值分別設(shè)為255和0，如圖2所示。從總樣本中隨機(jī)選取100張圖像作為測(cè)試集，剩下的900張圖像作為訓(xùn)練集。

開始訓(xùn)練前，為在一定程度上提高模型精度和加快模型收斂速度，將樣本數(shù)據(jù)進(jìn)行歸一化，把標(biāo)簽圖中缺陷部分設(shè)為1，即為正樣本，把背景部分設(shè)為0，即為負(fù)樣本。

圖1 圖像采集系統(tǒng)Fig.1 System of image acquisition

圖2 透明件原圖像及其標(biāo)注圖Fig.2 Image of transparent parts and its label

2 基于U2-Net的透明件劃痕檢測(cè)

Qin等[14]提出了由雙層嵌套式的U型結(jié)構(gòu)構(gòu)成的U2-Net網(wǎng)絡(luò)，主要包括提取級(jí)內(nèi)多尺度特征的殘差U型塊RSU(residual U-blocks)和連接RSU的外層U型結(jié)構(gòu)。此網(wǎng)絡(luò)設(shè)計(jì)無需使用圖像分類的主干網(wǎng)絡(luò)，從頭開始訓(xùn)練即可獲得優(yōu)異的效果，并在盡可能不增加計(jì)算成本的前提下使網(wǎng)絡(luò)更深以獲得高分辨率的特征圖。針對(duì)透明件的劃痕缺陷特征，使用Pytorch搭建網(wǎng)絡(luò)測(cè)試缺陷檢測(cè)效果，RSU及U2-Net整體結(jié)構(gòu)如下所述。

2.1 殘差U型塊RSU

殘差U型塊RSU由三部分構(gòu)成：采集局部特征并轉(zhuǎn)換通道的輸入層、提取和編碼多尺度上下文信息的U型結(jié)構(gòu)、融合輸入層和中間層的輸出層，如圖3所示。U型結(jié)構(gòu)左半部分為解碼結(jié)構(gòu)，3×3卷積得到多尺度特征，下采樣增大感受野，右半部分為解碼結(jié)構(gòu)，上采樣將特征編碼為高分辨率的特征圖，中間跳躍結(jié)構(gòu)將編碼與解碼級(jí)聯(lián)。

Cin、Cout分別為輸入、輸出通道數(shù)；M為內(nèi)層通道數(shù)；H和W為輸 入特征圖的長(zhǎng)和寬；L為RSU的層級(jí)參數(shù)圖3 殘差U型塊RSUFig.3 Residual U-block

2.2 U2-Net整體結(jié)構(gòu)

網(wǎng)絡(luò)整體結(jié)構(gòu)包括6階段的編碼器、5階段的解碼器以及特征圖融合輸出模塊，每階段均由已配置的RSU填充，如圖4所示。

由圖4可知，網(wǎng)絡(luò)左側(cè)為下采樣過程，前4個(gè)階段由層級(jí)參數(shù)L分別為7、6、5、4的RSU填充，階段內(nèi)特征圖大小逐層減半而又恢復(fù)，后兩個(gè)階段由配置空洞卷積的RSU填充，階段內(nèi)特征圖大小保持不變。編碼階段，RSU之間通過2×2的最大池化連接，特征圖大小變?yōu)樵瓉淼?/32。而網(wǎng)絡(luò)右側(cè)為上采樣過程，每階段內(nèi)RSU配置與左側(cè)對(duì)稱位置相同，輸入為上階段輸出與左側(cè)對(duì)稱階段輸出的級(jí)聯(lián)合并。解碼階段，RSU之間通過雙線性插值操作連接，逐步將特征圖還原。最后，拼接解碼階段每個(gè)RSU輸出的特征圖以得到最終的特征圖。

分別為每條側(cè)邊支路的輸出特征圖；Sfuse為 最終融合特征圖圖4 U2-Net整體結(jié)構(gòu)Fig.4 Architecture of U2-Net

2.3 損失函數(shù)

為加速神經(jīng)網(wǎng)絡(luò)收斂速度和解決深層網(wǎng)絡(luò)訓(xùn)練過程中出現(xiàn)的梯度消失問題，采用深監(jiān)督[15]的方式，即在網(wǎng)絡(luò)隱含層中添加輔助分類器來對(duì)主干網(wǎng)絡(luò)進(jìn)行監(jiān)督。因此，語義分割網(wǎng)絡(luò)的損失函數(shù)定義為

(1)

(2)

式(2)中：(r,c)為每個(gè)像素點(diǎn)的坐標(biāo)；yG和yS分別為某個(gè)像素點(diǎn)在真實(shí)標(biāo)簽上的像素值和在預(yù)測(cè)特征圖上的像素值。在測(cè)試過程中，只選擇lfuse作為最終輸出的特征圖。

2.4 評(píng)估指標(biāo)

為評(píng)價(jià)神經(jīng)網(wǎng)絡(luò)在透明件劃痕檢測(cè)中的精度，將準(zhǔn)確率(Accuracy)、精度(Precision)、召回率(Recall)、漏檢率(Missing rate)作為評(píng)估指標(biāo)，其計(jì)算公式為

(3)

(4)

(5)

(6)

式中：TP為正樣本(劃痕部分)預(yù)測(cè)為正樣本的概率；TN為負(fù)樣本(非劃痕部分)預(yù)測(cè)為負(fù)樣本的概率；FP為負(fù)樣本預(yù)測(cè)為正樣本的概率；FN為正樣本預(yù)測(cè)為負(fù)樣本的概率。

由于工業(yè)生產(chǎn)中希望檢測(cè)出全部的瑕疵產(chǎn)品，因此，盡可能降低漏檢率(Missing rate)及提高其他3項(xiàng)指標(biāo)，允許少量的誤檢。通過以上4項(xiàng)指標(biāo)，聯(lián)合模型大小以及檢測(cè)速度等，來評(píng)價(jià)神經(jīng)網(wǎng)絡(luò)的優(yōu)劣和改進(jìn)方案的有效性。

2.5 網(wǎng)絡(luò)初始化訓(xùn)練及結(jié)果分析

啟動(dòng)訓(xùn)練，將訓(xùn)練數(shù)據(jù)集輸入神經(jīng)網(wǎng)絡(luò)，經(jīng)過1 400～1 600輪的訓(xùn)練(批次為8)，訓(xùn)練損失收斂。此時(shí)保存訓(xùn)練最優(yōu)的模型文件，并加載模型進(jìn)行預(yù)測(cè)，得到的網(wǎng)絡(luò)評(píng)估指標(biāo)如表1所示。

由表1可知，測(cè)試集結(jié)果顯示雖然模型檢測(cè)出了大部分劃痕缺陷，但仍然存在嚴(yán)重的誤檢及漏檢現(xiàn)象。U2-Net神經(jīng)網(wǎng)絡(luò)解決了傳統(tǒng)神經(jīng)網(wǎng)絡(luò)無法兼顧局部細(xì)節(jié)和全局對(duì)比度信息的問題，但網(wǎng)絡(luò)復(fù)雜、深度大，容易丟失重要程度高但出現(xiàn)頻率低的信息，在面對(duì)少量數(shù)據(jù)集和小目標(biāo)檢測(cè)的問題時(shí)尤其明顯。對(duì)實(shí)驗(yàn)結(jié)果進(jìn)行分析可得：模型對(duì)劃痕部分的關(guān)注度不足，且可能出現(xiàn)了過擬合現(xiàn)象。因此直接使用U2-Net網(wǎng)絡(luò)進(jìn)行透明件表面劃痕檢測(cè)，無法達(dá)到預(yù)期的效果，模型對(duì)無劃痕圖像數(shù)據(jù)存在誤檢測(cè)，在圖像數(shù)據(jù)存在輕微劃痕時(shí)容易出現(xiàn)漏檢測(cè)現(xiàn)象，并且對(duì)同時(shí)存在明顯劃痕和輕微劃痕的缺陷圖像漏檢率較高。在其他方面，U2-Net網(wǎng)絡(luò)模型大，參數(shù)多，訓(xùn)練及預(yù)測(cè)花費(fèi)時(shí)間較長(zhǎng)，不能很好滿足工業(yè)流水線實(shí)時(shí)檢測(cè)的要求。

表1 U2-Net訓(xùn)練結(jié)果評(píng)估指標(biāo)Table 1 Evaluation index of U2-Net training result

3 改進(jìn)的透明件劃痕檢測(cè)方法

通過2.5節(jié)的分析，對(duì)U2-Net劃痕檢測(cè)方案進(jìn)行改進(jìn)，對(duì)輸入網(wǎng)絡(luò)的訓(xùn)練數(shù)據(jù)加入Mosaic增強(qiáng)，在解碼階段融入深度可分離卷積和Attention機(jī)制，在減少網(wǎng)絡(luò)訓(xùn)練和檢測(cè)時(shí)間的前提下，提高檢測(cè)精度。

3.1 Mosaic數(shù)據(jù)增強(qiáng)

從輸入神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)出發(fā)，引用Bochkovskiy等[16]提出的Mosaic數(shù)據(jù)增強(qiáng)方法，在不增加推斷時(shí)間的前提下提高模型性能。從每個(gè)批次(大小為8)中隨機(jī)取出4張圖片進(jìn)行隨機(jī)裁剪縮放拼接，重復(fù)4次，得到的4張新圖片與原批次中再次隨機(jī)選取的4張圖片組成一個(gè)新批次的數(shù)據(jù)，再輸送給神經(jīng)網(wǎng)絡(luò)訓(xùn)練，如圖5所示。其優(yōu)點(diǎn)是輸入網(wǎng)絡(luò)的數(shù)據(jù)既有原始的圖像信息又有增加小目標(biāo)后的圖像信息，模型泛化能力更強(qiáng)，并且4張圖片拼接在一起變相地提高了批大小，在進(jìn)行批量標(biāo)準(zhǔn)化(batch normalization,BN)的時(shí)候也會(huì)一次計(jì)算4張圖片，所以使本身最小批次并不需要很大，一個(gè)圖形處理器(graphics processing unit，GPU)就可以達(dá)到較好的效果。

圖5 Mosaic數(shù)據(jù)增強(qiáng)Fig.5 Mosaic data augmentation

3.2 正則化處理

由于訓(xùn)練數(shù)據(jù)豐富度不足或模型過于復(fù)雜，深度學(xué)習(xí)網(wǎng)絡(luò)會(huì)出現(xiàn)過擬合現(xiàn)象，此時(shí)向模型引入額外的信息，動(dòng)態(tài)調(diào)整模型參數(shù)的取值，以降低模型復(fù)雜度并提高泛化性能。選用L2正則化方式，損失計(jì)算公式為

(7)

式(7)中：L(θ)為模型的目標(biāo)函數(shù)；λ為L(zhǎng)2正則項(xiàng)占總損失的比重；θi為神經(jīng)網(wǎng)絡(luò)中不斷優(yōu)化的參數(shù)。

3.3 深層可分離卷積

傳統(tǒng)卷積模型參數(shù)量大，內(nèi)存需求大，為滿足大多數(shù)工業(yè)流水線檢測(cè)需求，融入Google團(tuán)隊(duì)在文獻(xiàn)[17]中提出的深層可分離卷積(depthwise separable convolution)，又稱DS卷積。深層可分離卷積主要由DW卷積(depthwise convolution)和PW卷積(pointwise convolution)組成，如圖6所示。

n為特征圖的長(zhǎng)和寬圖6 DS卷積與傳統(tǒng)卷積Fig.6 Depthwise Separable Convolution and traditional convolution

不同于傳統(tǒng)卷積，DW卷積改變圖像大小，PW卷積改變圖像深度。在U2-Net網(wǎng)絡(luò)解碼階段，使用DS卷積替換RSU塊中下采樣的傳統(tǒng)3×3卷積，大大減少計(jì)算量和模型參數(shù)。

3.4 改進(jìn)網(wǎng)絡(luò)

劃痕檢測(cè)缺陷圖像中正樣本占比過少，為解決正負(fù)樣本不均衡問題，改善小目標(biāo)檢測(cè)的效果，將文獻(xiàn)[18]中的Attention機(jī)制引入U(xiǎn)2-Net網(wǎng)絡(luò)。在解碼階段，每個(gè)RSU塊進(jìn)行拼接上采樣時(shí)加入Attention機(jī)制，增強(qiáng)模型對(duì)感興趣區(qū)域特征的處理能力，改善分割效果。圖像通道數(shù)由RSU7輸入的3通道，經(jīng)由中間層的32通道到輸出層的64通道，再經(jīng)過128、256、512通道，進(jìn)行上采樣次第減小，避免出現(xiàn)數(shù)據(jù)集過擬合現(xiàn)象。將圖5的Mosaic數(shù)據(jù)增強(qiáng)和圖6的深層可分離卷積融入U(xiǎn)2-Net，并添加Attention機(jī)制得到改進(jìn)網(wǎng)絡(luò)，如圖7所示。

圖7 改進(jìn)的算法結(jié)構(gòu)圖Fig.7 Improved algorithm structure

對(duì)于語義分割網(wǎng)絡(luò)的損失函數(shù)，由于本文研究針對(duì)劃痕缺陷進(jìn)行檢測(cè)，每張劃痕圖像中劃痕部分像素占比很小，屬于正負(fù)樣本不均衡的小目標(biāo)檢測(cè)問題，而原網(wǎng)絡(luò)使用的標(biāo)準(zhǔn)二分類交叉熵?fù)p失函數(shù)同等的關(guān)注每一個(gè)類別，會(huì)使模型嚴(yán)重偏向負(fù)樣本，模型效果較差。因此，改進(jìn)網(wǎng)絡(luò)對(duì)于最終融合輸出特征圖Sfuse的輸出lfuse，采用Focal-loss函數(shù)(LF)[19]與Tversky-loss函數(shù)(LT)[20]的組合來代替標(biāo)準(zhǔn)二分類交叉熵函數(shù)，即

lfuse=αLF+βLT

(8)

式(8)中：α與β分別為兩種損失函數(shù)占總損失的比重；LF與LT公式為

(9)

(10)

式中：αF為解決正負(fù)樣本數(shù)量不平衡問題使用的平衡因子；p為預(yù)測(cè)樣本屬于1的概率；γ>0；αT與βT為調(diào)節(jié)系數(shù)。

3.5 網(wǎng)絡(luò)訓(xùn)練結(jié)果

實(shí)驗(yàn)環(huán)境操作系統(tǒng)為Windows，計(jì)算機(jī)處理器為Intel Core i5-9500，GPU為GTX1650。初始化網(wǎng)絡(luò)并設(shè)置各超參數(shù)取值為：α=2，β=8，αF=0.75，γ=2.0，αT=0.4，βT=0.6，λ=0.002。經(jīng)過反復(fù)地對(duì)比調(diào)優(yōu)實(shí)驗(yàn)，最終得到改進(jìn)網(wǎng)絡(luò)訓(xùn)練后的結(jié)果，對(duì)比U2-Net訓(xùn)練結(jié)果及使用U-Net網(wǎng)絡(luò)在相同數(shù)據(jù)集上訓(xùn)練得到的結(jié)果，實(shí)驗(yàn)結(jié)果如表2所示。

由表2可知，改進(jìn)網(wǎng)絡(luò)的訓(xùn)練效果良好，測(cè)試集的分割準(zhǔn)確率達(dá)到0.985，而U2-Net的表現(xiàn)稍差一些，U-Net對(duì)輕微劃痕的檢測(cè)結(jié)果較差。實(shí)驗(yàn)證明優(yōu)化策略確實(shí)能有效地提升分割準(zhǔn)確率，優(yōu)于語義分割網(wǎng)絡(luò)U2-Net及傳統(tǒng)經(jīng)典的分割網(wǎng)絡(luò)U-Net，證明了改進(jìn)思路的正確性。

為測(cè)試模型對(duì)真實(shí)場(chǎng)景的檢測(cè)效果，使用3種網(wǎng)絡(luò)對(duì)采集到的1 920×1 200像素透明件原圖像進(jìn)行檢測(cè)，網(wǎng)絡(luò)評(píng)估指標(biāo)對(duì)比結(jié)果如表3所示。

由表3可知，改進(jìn)網(wǎng)絡(luò)在透明件原圖像檢測(cè)中的表現(xiàn)優(yōu)于其他兩種網(wǎng)絡(luò)，再次驗(yàn)證了Mosaic數(shù)據(jù)增強(qiáng)+Attention U2-Net+DS卷積的改進(jìn)思路在透明件劃痕檢測(cè)中的正確性。

表2 改進(jìn)網(wǎng)絡(luò)訓(xùn)練結(jié)果對(duì)比Table 2 Comparison of improved network training results

表3 改進(jìn)網(wǎng)絡(luò)、U2-Net與U-Net測(cè)試指標(biāo)結(jié)果對(duì)比Table 3 Results of improved network、 U2-Net and U-Net

為進(jìn)一步評(píng)價(jià)改進(jìn)方案，對(duì)上述三種網(wǎng)絡(luò)的模型大小和檢測(cè)時(shí)間進(jìn)行比較。U-Net網(wǎng)絡(luò)和U2-Net網(wǎng)絡(luò)的模型大小分別為51.2 MB和168 MB，檢測(cè)一張圖像的平均時(shí)間分別為0.41 s和0.85 s，而改進(jìn)網(wǎng)絡(luò)模型大小為134.7 MB，檢測(cè)一張圖像的平均時(shí)間為0.69 s。由此可見，改進(jìn)網(wǎng)絡(luò)具有多種性能的提升，能夠滿足缺陷檢測(cè)的實(shí)際需求。

3.6 劃痕缺陷檢測(cè)實(shí)驗(yàn)結(jié)果

對(duì)產(chǎn)品中常見的無缺陷、輕微劃痕以及明顯劃痕三種不同情況進(jìn)行檢測(cè)，檢測(cè)結(jié)果如圖8所示。

圖8 無缺陷、輕微劃痕以及明顯劃痕三種圖像檢測(cè)情況Fig.8 Detection results of no defect, insignificant and obvious scratches image

由圖8中第1列對(duì)無劃痕缺陷透明件的檢測(cè)結(jié)果可以看出，U2-Net及U-Net預(yù)測(cè)圖存在少量誤檢現(xiàn)象，部分點(diǎn)狀缺陷及物件邊緣信息被提取，而改進(jìn)網(wǎng)絡(luò)相比于二者表現(xiàn)較好，誤檢測(cè)的情況已經(jīng)消除。

由圖8中第2列對(duì)輕微劃痕透明件的檢測(cè)結(jié)果可以看出，U2-Net預(yù)測(cè)圖存在一定漏檢及誤檢情況，對(duì)圖像的細(xì)節(jié)處理不夠，U-Net網(wǎng)絡(luò)對(duì)輕微劃痕透明板的檢測(cè)結(jié)果與標(biāo)簽圖存在大量不符之處，故在圖中未使用紅色圓圈進(jìn)行標(biāo)注，而改進(jìn)的U2-Net網(wǎng)絡(luò)能較好地分割出淺劃痕，僅有極少處輕微缺陷未檢測(cè)出來。

由圖8中第3列對(duì)明顯劃痕透明件的檢測(cè)結(jié)果可以看出，U2-Net及U-Net網(wǎng)絡(luò)對(duì)明顯劃痕檢測(cè)效果較好，但對(duì)圖像中存在的輕微劃痕有一定的漏檢現(xiàn)象，而改進(jìn)網(wǎng)絡(luò)能實(shí)現(xiàn)復(fù)雜劃痕情況(圖像中同時(shí)存在明顯劃痕及微小劃痕)的精準(zhǔn)檢測(cè)，泛化能力較強(qiáng)。

4 結(jié)論

針對(duì)工業(yè)流水線冰箱透明件產(chǎn)品表面劃痕自動(dòng)化檢測(cè)問題，提出了一種基于改進(jìn)U2-Net深度學(xué)習(xí)模型的透明件表面劃痕缺陷檢測(cè)方法，得到以下結(jié)論。

(1)應(yīng)用U2-Net神經(jīng)網(wǎng)絡(luò)于透明件劃痕檢測(cè)，對(duì)缺陷圖像中明顯劃痕有一定的檢測(cè)能力，但對(duì)微小缺陷等復(fù)雜情況存在較多誤檢與漏檢，難以滿足實(shí)際工業(yè)檢測(cè)的要求。

(2)提出了在數(shù)據(jù)輸入前加入馬賽克數(shù)據(jù)增強(qiáng)方式，提高模型的泛化能力；加入正則化技術(shù)，減輕網(wǎng)絡(luò)過擬合；在網(wǎng)絡(luò)中融入深層可分離卷積和注意力機(jī)制，對(duì)整體網(wǎng)絡(luò)進(jìn)行改進(jìn)。

(3)由實(shí)驗(yàn)結(jié)果表明，提出透明件劃痕檢測(cè)方法能夠有效地提升缺陷檢測(cè)問題中的劃痕分割準(zhǔn)確率，降低漏檢率。此方法可以對(duì)各類復(fù)雜缺陷情況的圖像進(jìn)行準(zhǔn)確分割，檢測(cè)準(zhǔn)確率達(dá)到0.987，檢測(cè)效果優(yōu)于直接應(yīng)用U2-Net與U-Net，且在檢測(cè)速度上有所提高，最終結(jié)果驗(yàn)證了改進(jìn)方案的正確性和可行性。