郭 峰，朱啟兵*，黃 敏，徐曉祥

（1. 江南大學(xué) 輕工過程先進控制教育部重點實驗室，江蘇 無錫 214122；2. 無錫市創(chuàng)凱電氣控制設(shè)備有限公司，江蘇 無錫 214400）

1 引 言

陶瓷基板是當(dāng)前大功率電力電子電路結(jié)構(gòu)技術(shù)和互連技術(shù)的基礎(chǔ)材料，在電子制造領(lǐng)域具有廣泛的應(yīng)用。在陶瓷基板的生產(chǎn)過程中，鍍金層損傷、邊緣多金、陶瓷基板缺瓷、油污、摻雜異物是陶瓷基板生產(chǎn)過程中的常見瑕疵。快速地檢測并剔除這些瑕疵基板是保證產(chǎn)品質(zhì)量的重要環(huán)節(jié)。傳統(tǒng)的陶瓷基板瑕疵檢測方法多由檢驗人員通過光學(xué)顯微鏡進行人工視覺檢測，檢測效率低，檢測精度易受檢驗人員經(jīng)驗、情緒以及視覺疲勞等因素的影響。

隨著機器視覺技術(shù)的發(fā)展，基于機器視覺的圖像檢測法被應(yīng)用于瑕疵檢測中。這類檢測任務(wù)的檢測目標(biāo)大多形狀比較單一、固定，且易于區(qū)分［1-3］。近年來，隨著深度學(xué)習(xí)的發(fā)展，基于深度卷積神經(jīng)網(wǎng)絡(luò)的目標(biāo)檢測技術(shù)被廣泛地應(yīng)用于瑕疵檢測中。王宸［4］等提出了一種基于改進YOLOV3 的輪轂焊縫缺陷檢測平臺。伍濟鋼［5］等提出了一種改進YOLOV3 的智能手機玻璃蓋板缺陷檢測方法。樓豪杰［6］等結(jié)合YOLOV4 網(wǎng)絡(luò)與Siamese 網(wǎng)絡(luò)進行印刷品缺陷檢測。孫廣民［7］等結(jié)合兩幅不同尺度以及分辨率的圖像，利用Mask R-CNN 網(wǎng)絡(luò)對樓面缺陷進行檢測。由于陶瓷基板部分的瑕疵目標(biāo)較小，不同類型瑕疵之間尺度變化較大，形狀多變，不易識別，基于上述方法的瑕疵技術(shù)難以滿足陶瓷基板瑕疵檢測準(zhǔn)確性和實時性的需求。

基于深度卷積神經(jīng)網(wǎng)絡(luò)的目標(biāo)（瑕疵）檢測方法主要有兩種類型。一類是雙階段預(yù)測的目標(biāo)檢測，代表性算法有Faster R-CNN［8］，Mask RCNN［9］等。雙階段目標(biāo)檢測算法需要利用原圖提取到的特征，篩選出可能包涵感興趣目標(biāo)的區(qū)域，然后再進行回歸預(yù)測，因此通常需要較長的檢測時間，難以滿足工業(yè)現(xiàn)場快速檢測的實時性要求。另一類是基于端到端的單階段回歸的目標(biāo)檢測，代表性算法有SSD［10］，YOLOV3［11］，YOLOV4［12］以及YOLOX［13］等。單階段目標(biāo)檢測算法直接利用提取到的特征進行回歸預(yù)測，通常具有較快的檢測速度。YOLOV4 網(wǎng)絡(luò)通過修改殘差網(wǎng)絡(luò)結(jié)構(gòu)以形成更深的網(wǎng)絡(luò)層次，在保證檢測快速性的同時，提高了目標(biāo)檢測的準(zhǔn)確性。本文針對陶瓷基板瑕疵形狀多變、尺寸跨度大，且多金和缺瓷瑕疵有較多小目標(biāo)，樣本量小，各類瑕疵數(shù)量分布不均勻等問題，基于YOLOV4 算法，通過修改置信度損失函數(shù)，引入注意力機制，優(yōu)化錨框尺寸等策略，大大提高了瑕疵的檢出率。實驗結(jié)果表明，本文提出的陶瓷基板瑕疵檢測方法YOLOV4-CS 具有較高的檢測準(zhǔn)確性和實時性。

2 數(shù)據(jù)集與檢測平臺

2.1 檢測平臺與流程

陶瓷基板瑕疵的自動檢測硬件平臺如圖1 所示。檢測平臺主要由傳送裝置、圖像采集裝置（?？礛V-CE200 工業(yè)相機，像素為2000 萬）、點墨標(biāo)記裝置以及拾取裝置（上料夾爪）構(gòu)成。傳送裝置將裝有整張?zhí)沾苫迤ㄈ鐖D2（a）所示）的模具由上一工序傳輸?shù)綑z測平臺，當(dāng)模具到達指定位置后觸發(fā)光電傳感器并鎖死傳輸帶；圖像采集裝置采集模具上的陶瓷基板圖像（如圖2（b）所示），由檢測算法對圖像中是否存在瑕疵及具體瑕疵位置進行檢測；圖像采集完成后，釋放鎖死裝置，模具傳輸?shù)近c墨標(biāo)記裝置下方，對帶有瑕疵的基板進行點墨標(biāo)記；拾取裝置將整張基板片拾取到另外一個模具上送往下一道工藝。后續(xù)工藝將帶有墨點的陶瓷基板進行分揀篩選。

圖1 陶瓷基板瑕疵自動檢測平臺Fig.1 Automatic defect detecting platform for ceramic substrate

圖2 圖像處理過程Fig.2 Image processing

2.2 圖像預(yù)處理

如圖2（b）所示，原始的陶瓷基板圖像中包含了來自其它區(qū)域的干擾（圖中方框內(nèi)區(qū)域為目標(biāo)檢測區(qū)域）。為了減少其他區(qū)域?qū)z測結(jié)果的干擾，首先采用OpenCV 算法庫中的霍夫圓檢測法檢測圖片中的圓心位置，如圖2（c）所示；根據(jù)圓心位置以及半徑計算出目標(biāo)區(qū)域范圍，根據(jù)此范圍對圖片進行裁剪得到待檢測圖片，如圖2（d）所示。圖3 給出了含有典型瑕疵（污染，異物，多金，缺瓷與損傷）的兩塊陶瓷基板圖像，其中方塊區(qū)域為鍍金層，本文所指的瑕疵都是指出現(xiàn)在鍍金層上的瑕疵。其中，污染瑕疵會出現(xiàn)在鍍金層上多個區(qū)域，且尺寸跨度大、形狀多變；而異物瑕疵的形狀和顏色具有多樣性及隨機性；缺瓷瑕疵主要分布在鍍金層邊緣，其形狀較小；損傷瑕疵主要是鍍金層的劃傷或者刮傷，尺寸跨度大且形狀像素分布多變；多金瑕疵主要是鍍金層邊緣出現(xiàn)凸起，形狀較小且分布區(qū)域多變。圖4 給出了訓(xùn)練集中各種類瑕疵的尺寸分布情況和樣本數(shù)量。從圖中可見，瑕疵尺寸變化均較大，不具有固定的長寬比信息，且瑕疵的樣本數(shù)分布不均勻，給瑕疵檢測造成了很大的難度。

圖3 陶瓷基板瑕疵Fig.3 Defects of ceramic substrate

圖4 瑕疵樣本數(shù)量及尺寸分布統(tǒng)計圖Fig.4 Statistical chart of sample number of defects and their size distribution

3 算法原理與改進

3.1 YOLOV4 算法

自YOLOV3 以來，YOLO 系列算法形成了由主干網(wǎng)絡(luò)、頸部網(wǎng)絡(luò)，以及頭部網(wǎng)絡(luò)3 部分組成的網(wǎng)絡(luò)結(jié)構(gòu)。其中，主干網(wǎng)絡(luò)采用多層次結(jié)構(gòu)網(wǎng)絡(luò)，提取輸入圖像的不同尺度的特征圖；頸部網(wǎng)絡(luò)則將來自不同層次的特征圖進行融合編碼，以增強特征圖的信息表達；頭部網(wǎng)絡(luò)將融合之后的特征圖進行解碼，得到最后的預(yù)測結(jié)果（目標(biāo)的種類及位置信息）［12］。

YOLOV4 算法構(gòu)建了反映模型預(yù)測框與真實框的差異程度的損失函數(shù)，通過反向傳遞梯度值優(yōu)化模型權(quán)重值，使損失函數(shù)值在迭代訓(xùn)練過程中不斷減小，從而最小化模型最終的預(yù)測結(jié)果與真實結(jié)果的差異。YOLOV4 的損失函數(shù)如下：

3.2 算法改進

本文數(shù)據(jù)集具有瑕疵尺寸跨度大、樣本數(shù)量分布不均勻以及形狀多變的特點，導(dǎo)致一些瑕疵不易被檢測出，為了提高這類瑕疵的檢出率，本文分別改進了損失函數(shù)、網(wǎng)絡(luò)結(jié)構(gòu)以及先驗框尺寸聚類方法。

3.2.1 基于梯度協(xié)調(diào)機制的置信度損失函數(shù)設(shè)計

梯度協(xié)調(diào)機制（Gradient Harmonizing Mechanism，GHM）［14］認(rèn)為模型預(yù)測輸出值經(jīng)過sigmoid 函數(shù)激活后，得到的交叉熵梯度即為預(yù)測值與真實值的差距，并將這種差距的模定義為梯度的模。在模型訓(xùn)練即將結(jié)束時，如果樣本的梯度模過大，則代表預(yù)測的正負(fù)樣本與各自真實值偏差過大，多是離群樣本；如果模型繼續(xù)學(xué)習(xí)這類樣本特征，則會導(dǎo)致真實樣本（非離群樣本）的分類精度過低。為了緩解這種情況，本文利用GHM 分類損失函數(shù)（Gradient Harmonizing Mechanism-classification，GHM-C）改 進 了YOLOV4 的置信度損失函數(shù)。

具體實現(xiàn)步驟為：（1）對于第k個預(yù)測框（k=1，…N，N為預(yù)測框的總數(shù)），其梯度模gk為：

其中Ck，分別代表第k個預(yù)測框的置信度預(yù)測值與真實值；

（2）將［0，1］區(qū)間按步長ε劃分為若干等長子區(qū)間St（t=1，…M，M為子區(qū)間數(shù)量），統(tǒng)計預(yù)測框的梯度模落在子區(qū)間St的數(shù)量Nt；計算得到各樣本的梯度密度調(diào)和參數(shù)βk：

（3）將原始交叉熵的梯度值分別乘上各自歸屬子區(qū)間的梯度密度調(diào)和參數(shù)βk，從而達到衰減其影響的目的，即有：

式中：LGHM-C表示最終的基于GHM-C 的置信度損失函數(shù)，LCE表示交叉熵?fù)p失。修改之后模型最終的損失函數(shù)如下：

3.2.2 基于注意力網(wǎng)絡(luò)的網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計

由于瑕疵具有一定上下文信息，并且小目標(biāo)瑕疵如多金、缺瓷的信息更體現(xiàn)在形狀與顏色上，因此為了提升網(wǎng)絡(luò)對這些信息的捕捉能力，本文在每個主干網(wǎng)絡(luò)的特征層支路添加十字交叉 注 意 力 模 塊（Criss-Cross Attention Net，CCNet）［15］，CCNet 模塊結(jié)構(gòu)如圖5 所示。

圖5 CCNet 結(jié)構(gòu)Fig.5 Structure of CCNet

CCNet 屬 于self-attention 機 制，它 通 過 反 復(fù)考慮行注意力與列注意力來獲得全局信息，同時網(wǎng)絡(luò)參數(shù)量較少，能夠滿足本文的實時性要求。具體計算過程為：假設(shè)輸入的特征圖為H∈RC×W×H，首先分別通過兩個1×1 卷積塊獲得兩個特征圖Q和K，其中{Q，K}∈RC'×W×H，C'和C均是特征通道數(shù)（C'＜C）. 在特征圖Q上，沿著W，H平面，在位置索引u處，獲取向量Qu∈RC'，同時從特征圖K上獲取與u行列交叉的H+W-1 個 向 量 構(gòu) 成 的 向 量 集Ωu∈R(H+W-1)×C'，然后通過關(guān)聯(lián)計算得到：

其中du∈R()H+W-1，反映了Qu和Ωu的關(guān)聯(lián)度。對du進行softmax 操作獲得對位置索引u處的注意力Au∈R(H+W-1)。同時，通過另外一個1×1卷積塊對H進行卷積獲得特征圖V∈RC×W×H，并從V的對應(yīng)位置u處獲取行列交叉的H+W-1個向量構(gòu)成向量集Φu∈R(H+W-1)×C，通過聚合計算獲得位置u處的上下文信息Hu'∈RC，即有：

沿著W，H平面，遍歷所有位置索引，可得到特征圖H'。H'既保留了原始特征圖的特征信息，同時又結(jié)合了特征圖的上下文信息。為了使網(wǎng)絡(luò)更好地綜合全局信息，需要添加兩次CCNet［15］。

傳統(tǒng)的YOLOV4 網(wǎng)絡(luò)對尺寸為608×608的輸入圖片進行特征提取，最后得到19×19，38×38 和76×76 的特征圖。淺層特征圖經(jīng)過卷積的次數(shù)較少，能夠保留較多的像素信息以及邊界信息，適合小目標(biāo)的檢測；深層特征圖經(jīng)過卷積操作不斷的提取以及壓縮，得到的語義信息較多，適合大目標(biāo)的檢測。由于本文的異物瑕疵和污漬瑕疵多是點狀，其中較小的樣本像素大約為10×10，經(jīng)過卷積操作后只能保留較少的信息，76×76 的特征圖無法滿足異物瑕疵和污漬瑕疵中小目標(biāo)瑕疵的檢測需求。因此，本文保留原始的特征提取網(wǎng)絡(luò)CSPDarknet-53 結(jié)構(gòu)，直接將尺度為152×152 的特征圖引出，與原始的YOLOV4 的19×19，38×38 和76×76 特征圖進行同樣的上采樣和下采樣操作，得到融合之后的特征圖，并在預(yù)測網(wǎng)絡(luò)中添加一個更大尺度的頭部網(wǎng)絡(luò)負(fù)責(zé)預(yù)測152×152 尺度的特征圖。

改進后的YOLOV4 網(wǎng)絡(luò)整體結(jié)構(gòu)如圖6 所示。相比于原始結(jié)構(gòu)，該結(jié)構(gòu)僅增加一個預(yù)測頭部網(wǎng)絡(luò)以及對應(yīng)的支路，并在每層特征融合網(wǎng)絡(luò)的起始部分添加了兩個CCNet 網(wǎng)絡(luò)模塊，增加的模塊及支路均由深色虛線表示。

圖6 YOLOV4-CS 結(jié)構(gòu)Fig.6 Structure of YOLOV4-CS

3.2.3 基于改進K-means++的瑕疵先驗框設(shè)計

YOLOV4 通常采用K-means++算法對真實目標(biāo)框的尺寸進行面積交并比并聚類，以獲得合適的先驗框尺寸。這種方法只能聚類出與真實框重疊程度較高的先驗框，無法得到長寬比合適的先驗框。因此，本文借鑒CIoU［16］的思想，引入了長寬比的信息，使聚類出來的先驗框能更好地反映出真實框的長寬比分布，計算公式如下：

式中：Si為acl，bgt兩個框之間的得分，acl代表聚類框，bgt代 表 真 實 框，IoU(acl，bgt)是 計 算acl，bgt兩個框的IoU，hcl，wcl分別為聚類框的長和寬，hgt，wgt分別為真實框的長和寬。

綜合考慮不同制度的特征圖尺寸，本文共設(shè)計4 種尺度、12 種尺寸的先驗框，如表1 所示。

表1 先驗框尺寸Tab.1 Size of prior boxes

4 實驗及結(jié)果分析

4.1 實驗環(huán)境

本次實驗的操作系統(tǒng)為Windows 10（64位），CPU 為英特爾Core i9-10900X@3.50GHz，內(nèi)存為64 GB，GPU 為兩張NVIDIA GeForce RTX 3090，總顯存為48 GB。深度學(xué)習(xí)框架實現(xiàn)為Python Pytorch，GPU 加速庫為CUDA11.0。

4.2 數(shù)據(jù)集增強

本實驗共采集2 413 張?zhí)沾苫鍒D像，經(jīng)過目標(biāo)區(qū)域提取預(yù)處理之后得到陶瓷基板數(shù)據(jù)集，其中2 215 張用作訓(xùn)練，198 張用作測試。

為了改善部分種類瑕疵樣本數(shù)較少的情況，本文采用“復(fù)制-粘貼”式數(shù)據(jù)增強方法［17］，對2 215 張訓(xùn)練樣本進行數(shù)據(jù)增強，這種數(shù)據(jù)增強方法可以增加數(shù)據(jù)中出現(xiàn)次數(shù)較少的瑕疵數(shù)量，提高模型對這一類瑕疵的檢測性能。具體步驟為：從2 215 張圖片中裁剪出50 張包含典型瑕疵（多為樣本數(shù)較少的瑕疵）的子區(qū)域（每個區(qū)域只包含一種典型缺陷）；并將這50 張子區(qū)域圖像進行水平、垂直翻轉(zhuǎn)，尺度的縮放，引入高斯噪聲（標(biāo)準(zhǔn)差為1.2）以及銳化操作等；最后將這些增強后的裁剪圖像“粘貼”至無瑕疵陶瓷基板圖像中可能出現(xiàn)瑕疵的區(qū)域，從而獲得2 386 張增強后的圖片。使用LabelImg 圖像標(biāo)注軟件進行人工標(biāo)注，數(shù)據(jù)集格式為VOC2007。

4.3 模型訓(xùn)練

由于過早的使用基于GHM-C 改進的損失函數(shù)會導(dǎo)致模型學(xué)習(xí)到許多假陽性樣本的特征從而產(chǎn)生“虛警”現(xiàn)象，因此本實驗首先采用原始損失函數(shù)訓(xùn)練100 輪次Epoch 至模型穩(wěn)定后，然后采用改進后的損失函數(shù)繼續(xù)訓(xùn)練100 Epoch。

在模型訓(xùn)練階段，本實驗的總訓(xùn)練Epoch 為200 次，批量尺寸為16，初始學(xué)習(xí)率為0.001，在第50 次Epoch 之后衰減為0.000 1。本文提出的YOLOV4-CS 模型訓(xùn)練的損失曲線如圖7 所示，當(dāng)Epoch 達 到200 次 時，loss 值 趨 于 穩(wěn) 定，最 終 下降到14.5 左右。

圖7 損失函數(shù)收斂曲線Fig.7 Convergence plot of loss function

4.4 實驗結(jié)果

4.4.1 不同檢測算法的結(jié)果對比

待檢測圖片數(shù)量共198 張，每張圖片包含1～5 種類別的瑕疵，瑕疵的個數(shù)以及檢測結(jié)果如表2 所示。其中，準(zhǔn)確率表示預(yù)測正確的正樣本占所有預(yù)測結(jié)果中正樣本的比例，召回率表示預(yù)測正確的正樣本占所有實際正樣本的比例。由表2 可知，本文提出的算法對于陶瓷基板中污漬、異物、多金、損傷以及缺瓷5 種瑕疵的檢測精確率以及召回率均已在92.4%以上，基本滿足本文的任務(wù)要求。

表2 瑕疵檢測結(jié)果Tab.2 Results of defect detection

為了進一步驗證本文算法在陶瓷基板瑕疵檢測上的有效性，將本文算法與常見的目標(biāo)檢測算 法Faster R-CNN［8］，Efficientdet-D3［18］，YOLOV5，YOLOX［13］以及改進前的YOLOV4［12］在本文數(shù)據(jù)集上進行對比試驗，采用原文作者的實驗參數(shù)，選取平均準(zhǔn)確率、平均召回率和每張圖片的檢測時間作為評價指標(biāo)，不同算法的結(jié)果如表3 所示。

表3 不同算法的瑕疵檢測結(jié)果Tab. 3 Defect detection results of different algorithms

根據(jù)表3，改進的YOLOV4-CS 算法對陶瓷基板瑕疵檢測平均達到了98.3%，平均召回率達到了99.0%。相比于原始的YOLOV4 算法，檢測準(zhǔn)確率提高了11.4%，召回率提高了8.9%。YOLOV4-CS 算法能夠以0.202 s 的時間完成每張圖片的檢測，基本滿足工業(yè)現(xiàn)場的檢測要求。

圖8 給出了陶瓷基板典型瑕疵的檢測結(jié)果（局部截圖）。圖8 中，1～6 號所標(biāo)均為真實瑕疵，其中，1 號、3 號、5 號和6 號瑕疵為損傷，2 號和4號瑕疵為污染；4 號污染和6 號損傷顏色較淺，5號損傷較小，檢測困難。從圖中可以看出，YOLOV4-CS 將所有瑕疵都已正確檢出并且沒有漏檢；而YOLOV4 漏 檢 了4 號、5 號 和6 號 瑕 疵；YOLOV5 對模型結(jié)構(gòu)和激活函數(shù)進行了調(diào)整，使得模型的檢測能力有所提升，但是仍然漏檢了6 號損傷瑕疵；Efficientdet-D3 雖然在速度和精度上得到了均衡，但沒有針對本文瑕疵特征做出優(yōu)化設(shè)計，在本文瑕疵檢測中表現(xiàn)不佳，出現(xiàn)大量漏檢（2 號、3 號、4 號和6 號瑕疵漏檢）；Faster RCNN 為雙階段目標(biāo)檢測算法，雖然準(zhǔn)確率較高，但出現(xiàn)了誤檢情況（圖8（d）中2 號瑕疵左側(cè)），以及較多漏檢情況（4 號、5 號和6 號瑕疵漏檢）；YOLOX 采用了無錨框設(shè)計，提高了準(zhǔn)確性和實時性，但是對小目標(biāo)樣本的檢測能力改善有限，有較多漏檢瑕疵（4 號、5 號和6 號瑕疵），并出現(xiàn)了誤檢的情況（圖8（e）中2 號瑕疵左側(cè)）。由此可知，本文提出的模型YOLOV4-CS 的準(zhǔn)確率以及召回率在實際檢驗中較其他方法有明顯提升。

圖8 不同模型的局部檢測結(jié)果Fig.8 Local detection results of different models

4.4.2 消融實驗

本文的模型結(jié)構(gòu)主要有3 個部分的改進，分別為增加小尺度支路、添加注意力網(wǎng)絡(luò)CCNet 以及修改置信度損失函數(shù)。為了驗證這3 個改進的有效性，本文進行了消融實驗，結(jié)果如表4 所示。從表中可以看出，單獨增加小尺度支路能夠均衡地提升準(zhǔn)確率和召回率；單獨修改置信度損失函數(shù)能較好的提高召回率，但準(zhǔn)確率提升相對較少；單獨增加CCNet 能均衡地提高準(zhǔn)確率和召回率，但幅度小于增加小尺度支路所帶來的提升；同時增加小尺度支路和添加CCNet 網(wǎng)絡(luò)雖然能得到較高的準(zhǔn)確率，但召回率的提升較??；同時添加CCNet 網(wǎng)絡(luò)和修改置信度損失函數(shù)能帶來較高的召回率，但是準(zhǔn)確率不如同時增加小尺度支路和修改置信度損失函數(shù)；3 種不同改進結(jié)合在一起能夠取得最好的準(zhǔn)確率和召回率，因此本文最終選擇將3 個部分的改進添加到原始YOLOV4 模型中得到Y(jié)OLOV4-CS 模型。

表4 不同消融實驗的結(jié)果Tab. 4 Results of different ablation experiments

為了驗證本文所采用的注意力網(wǎng)絡(luò)的有效性，將CCNet 與目前幾種主流的注意力網(wǎng)絡(luò)Squeeze-and-Excitation Networks（SENet）［19］，Convolutional Block Attention Module（CBAM）［20］，Efficient Channel Attention Networks（ECA-Net）［21］進行了對比，對比模型均采用基于GHM 的置信度損失函數(shù)，并增加了小尺度通道，僅對注意力機制進行了替換。對比結(jié)果如表5 所示，性能提升較多體現(xiàn)在小目標(biāo)瑕疵上，因此相比于通道注意力，空間注意力在本文任務(wù)中的表現(xiàn)更好。SENet 屬于通道注意力網(wǎng)絡(luò)，在幾乎不增加網(wǎng)絡(luò)參數(shù)量的情況下，能夠較好地提高模型檢測的準(zhǔn)確率以及召回率，但相比其他注意力網(wǎng)絡(luò)，提升相對有限；ECA-Net 同樣屬于通道注意力網(wǎng)絡(luò)，相比于SENet 網(wǎng)絡(luò)，并未過多增加網(wǎng)絡(luò)參數(shù)量，同時加入了跨通道交互，因此進一步提高了準(zhǔn)確率和召回率；CBAM 結(jié)合了通道注意力和空間注意力，能夠較好地關(guān)注小目標(biāo)的特征信息，因此取得了更好的準(zhǔn)確率以及召回率；CCNet 注意力網(wǎng)絡(luò)屬于空間注意力網(wǎng)絡(luò)，能夠較好地提取低維圖像特征，相比于其他注意力網(wǎng)絡(luò)實現(xiàn)了較高的準(zhǔn)確率以及召回率，同時也保持著與SENet 相近的實時性。

表5 不同種類注意力網(wǎng)絡(luò)的對比結(jié)果Tab.5 Results of different kinds of attention networks

針對本文提出的錨框優(yōu)化策略，進行了對應(yīng)的消融實驗，所對比的模型均采用了CCNet 注意力網(wǎng)絡(luò)、基于GHM 的置信度損失函數(shù)以及增加小尺度通道，僅對先驗框尺寸做出了改變。消融實驗的先驗框尺寸分別采用了原始的YOLOV4算法先驗框尺寸以及經(jīng)過本文算法優(yōu)化之后的先驗框尺寸，消融實驗結(jié)果如表6 所示。從表中可以看出，相比于原始YOLOV4 先驗框尺寸的檢測結(jié)果，本文的先驗框尺寸優(yōu)化算法的檢測準(zhǔn)確率提高了2.0%，召回率提高了2.4%。

表6 不同先驗框尺寸的對比結(jié)果Tab. 6 Results of different kinds of prior box

5 結(jié) 論

本文將深度網(wǎng)絡(luò)引入到陶瓷基板瑕疵檢測中，改進了YOLOV4 網(wǎng)絡(luò)模型以及損失函數(shù)，對4 個不同尺度特征圖進行增強特征融合，重新設(shè)計了12 個不同尺度的先驗框。實驗結(jié)果表明，改進后的算法對陶瓷基板5 種不同類型的瑕疵的檢測效果更好，平均檢測準(zhǔn)確率達到了98.3%，平均召回率達到了99.0%。本文較多考慮了陶瓷基板的瑕疵檢測的準(zhǔn)確率以及漏檢率，在后續(xù)的研究中會對網(wǎng)絡(luò)結(jié)構(gòu)進行優(yōu)化改進，提高其實時性和輕量化水平。