杜娟　楊鈞植

特約論文

基于遷移學(xué)習(xí)的小樣本連接器缺陷檢測(cè)方法

杜娟1,2楊鈞植1

（1.華南理工大學(xué)自動(dòng)化科學(xué)與工程學(xué)院，廣東 廣州 510641 2.廣東省高端芯片智能封裝裝備工程實(shí)驗(yàn)室，廣東 廣州 510641）

隨著機(jī)器視覺(jué)算法的發(fā)展與完善，各類深度學(xué)習(xí)方法逐步取代人眼檢測(cè)與基于特征選擇的傳統(tǒng)計(jì)算機(jī)視覺(jué)方法，應(yīng)用于工業(yè)生產(chǎn)的各個(gè)環(huán)節(jié)，對(duì)各類表面缺陷進(jìn)行檢測(cè)。深度學(xué)習(xí)方法隨著網(wǎng)絡(luò)層次深入，能由淺至深提取圖像特征，但由于其基于數(shù)據(jù)驅(qū)動(dòng)，需要巨量數(shù)據(jù)作為支撐，這與工業(yè)生產(chǎn)中缺陷異常樣本數(shù)據(jù)量小，且分布不均相互矛盾。針對(duì)以上問(wèn)題，基于僅包含325幅圖像樣本的小樣本連接器數(shù)據(jù)集，在目標(biāo)檢測(cè)網(wǎng)絡(luò)YOLOv5的基礎(chǔ)上，提出一種基于權(quán)重遷移與模型調(diào)整的方法，采用凍結(jié)與解凍訓(xùn)練相結(jié)合的方式訓(xùn)練目標(biāo)網(wǎng)絡(luò)。實(shí)驗(yàn)表明，對(duì)于該小樣本數(shù)據(jù)集，相較于直接運(yùn)用目標(biāo)檢測(cè)網(wǎng)絡(luò)，該方法具有更高的檢測(cè)精度與更快的收斂速度，更能滿足工業(yè)生產(chǎn)需求。

缺陷檢測(cè)；深度學(xué)習(xí)；小樣本學(xué)習(xí)；遷移學(xué)習(xí)；電子連接器

0　引言

電子連接器（下稱連接器）通常被用作兩個(gè)半導(dǎo)體器件或電子元件之間電流或訊號(hào)交互的載體，提供可分離的界面用以連接兩個(gè)次電子系統(tǒng)，作為兩個(gè)元件之間電流信號(hào)流動(dòng)的橋梁。

受生產(chǎn)工藝影響，連接器外殼可能出現(xiàn)臟污、劃痕、壓傷和極耳缺失等表面缺陷。連接器外殼在后續(xù)生產(chǎn)與使用過(guò)程中具有保護(hù)內(nèi)部引腳的作用，若使用外殼有缺陷的連接器，可能造成事故與經(jīng)濟(jì)損失。連接器外殼的表面缺陷尺寸較?。s為0.9～8.5 mm），且工業(yè)生產(chǎn)中對(duì)其檢測(cè)精度要求較高，采用人眼檢測(cè)或基于特征選擇的傳統(tǒng)計(jì)算機(jī)視覺(jué)方法無(wú)法滿足工業(yè)生產(chǎn)要求，而深度學(xué)習(xí)方法中具有小目標(biāo)檢測(cè)能力的目標(biāo)檢測(cè)網(wǎng)絡(luò)能解決以上問(wèn)題。

近些年逐步興起的深度學(xué)習(xí)方法在諸多領(lǐng)域都取得了傲人的成就，如目標(biāo)檢測(cè)、語(yǔ)義分割、圖像分類等。深度學(xué)習(xí)方法隨著網(wǎng)絡(luò)層次的深入，能夠自動(dòng)由淺入深地提取圖像的各層特征，但其需要海量?jī)?yōu)質(zhì)的帶標(biāo)簽數(shù)據(jù)作為驅(qū)動(dòng)，而在工業(yè)生產(chǎn)領(lǐng)域，缺陷（異常）數(shù)據(jù)十分匱乏，致使深度學(xué)習(xí)模型難以應(yīng)用。

目前，針對(duì)數(shù)據(jù)匱乏的情況，很多學(xué)者關(guān)注小樣本學(xué)習(xí)研究。小樣本學(xué)習(xí)主要從數(shù)據(jù)、模型和算法3方面，研究減少深度學(xué)習(xí)模型對(duì)原生數(shù)據(jù)的依賴[1]，可分為基于數(shù)據(jù)增強(qiáng)、基于模型微調(diào)和基于遷移學(xué)習(xí)3類[2]。根據(jù)采用方法的不同，小樣本學(xué)習(xí)方法可概括為基于度量的方法、基于優(yōu)化的方法、基于圖神經(jīng)網(wǎng)絡(luò)的方法等[3]。目前已有很多典型的小樣本學(xué)習(xí)模型[4-5]，如原型網(wǎng)絡(luò)和匹配網(wǎng)絡(luò)等。

本文通過(guò)分析待檢測(cè)的小樣本連接器數(shù)據(jù)集（下稱目標(biāo)數(shù)據(jù)集）中缺陷的形狀與紋理特征，尋找與其匹配特征相似且數(shù)據(jù)量充足的公開(kāi)表面缺陷數(shù)據(jù)集（下稱源數(shù)據(jù)集）NEU-DET。運(yùn)用權(quán)值遷移與模型調(diào)整相結(jié)合的方法，通過(guò)橫向?qū)嶒?yàn)，分析比較得出最合適的權(quán)值遷移層數(shù)與模型訓(xùn)練方法。該方法相較于原有的目標(biāo)檢測(cè)網(wǎng)絡(luò)，提高了網(wǎng)絡(luò)檢測(cè)精度，提升了模型收斂速度。

1　目標(biāo)檢測(cè)網(wǎng)絡(luò)YOLOv5

1.1 算法分析

YOLOv5是一種典型的單階段目標(biāo)檢測(cè)算法，通過(guò)網(wǎng)絡(luò)直接回歸計(jì)算圖像中物體的類別、置信度與位置坐標(biāo)。相較于兩階段目標(biāo)檢測(cè)網(wǎng)絡(luò)，單階段網(wǎng)絡(luò)不計(jì)算圖像中物體的候選區(qū)域框，檢測(cè)準(zhǔn)確率偏低，但檢測(cè)速度較高。在對(duì)在線檢測(cè)速率要求較高的工業(yè)生產(chǎn)領(lǐng)域，單階段網(wǎng)絡(luò)的優(yōu)勢(shì)更加突出。目前，常用的單階段目標(biāo)檢測(cè)網(wǎng)絡(luò)有YOLO、SSD、G-CNN等；常用的兩階段目標(biāo)檢測(cè)網(wǎng)絡(luò)有Faster R-CNN等。

1.2 網(wǎng)絡(luò)結(jié)構(gòu)

YOLOv5網(wǎng)絡(luò)主要由輸入端（Input）、主干網(wǎng)絡(luò)（Backbone）、頸部（Neck）和輸出端（Output）4部分組成，網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。

1）輸入端：YOLOv5輸入端主要包括Mosaic數(shù)據(jù)增強(qiáng)、自適應(yīng)錨框計(jì)算和自適應(yīng)圖像縮放3部分。其中，Mosaic數(shù)據(jù)增強(qiáng)采用隨機(jī)縮放、隨機(jī)裁剪、隨機(jī)排布的方式對(duì)圖像進(jìn)行拼接，提升網(wǎng)絡(luò)對(duì)小目標(biāo)的檢測(cè)效果；自適應(yīng)錨框計(jì)算根據(jù)輸入數(shù)據(jù)集的不同，自適應(yīng)計(jì)算當(dāng)前數(shù)據(jù)集的最佳初始錨框尺寸；自適應(yīng)圖片縮放先將數(shù)據(jù)集中不同尺寸的圖像樣本統(tǒng)一縮放為一個(gè)標(biāo)準(zhǔn)尺寸，再輸入到網(wǎng)絡(luò)。

2）主干網(wǎng)絡(luò)：設(shè)計(jì)了Focus結(jié)構(gòu)與CSP模塊。其中，F(xiàn)ocus結(jié)構(gòu)對(duì)大尺寸圖像進(jìn)行切片，變?yōu)槎嗑S小尺寸特征圖，減少參數(shù)量；CSP模塊將原始輸入切分為兩個(gè)分支，一個(gè)分支先經(jīng)過(guò)多個(gè)殘差單元（BottleNeck）后，再進(jìn)行一次卷積，而另一個(gè)分支直接進(jìn)行卷積，最后將兩個(gè)分支的輸出進(jìn)行拼接（Concat），使模型學(xué)習(xí)到更多特征。

3）頸部：采用FPN與路徑聚合網(wǎng)絡(luò)（PAN）相結(jié)合的網(wǎng)絡(luò)結(jié)構(gòu)，提升網(wǎng)絡(luò)特征融合能力。

根據(jù)網(wǎng)絡(luò)深度與結(jié)構(gòu)復(fù)雜程度的不同，YOLOv5共有YOLOv5s、YOLOv5m、YOLOv5l和YOLOv5x 4種模型，這4種模型的網(wǎng)絡(luò)深度與模型復(fù)雜度依次遞增，而網(wǎng)絡(luò)檢測(cè)速度依次遞減。根據(jù)本文研究目的，為兼顧檢測(cè)精度和檢測(cè)速度，選用YOLOv5l模型作為目標(biāo)檢測(cè)網(wǎng)絡(luò)模型。

圖1 YOLOv5網(wǎng)絡(luò)結(jié)構(gòu)圖

1.3 損失函數(shù)

YOLOv5共有3種損失函數(shù)，分別為：

式中：

式中：

分類損失與位置坐標(biāo)損失使用交叉熵?fù)p失函數(shù)計(jì)算，計(jì)算公式為

式中：

——樣本；

——樣本對(duì)應(yīng)的標(biāo)簽；

——預(yù)測(cè)值（分類預(yù)測(cè)或位置坐標(biāo)預(yù)測(cè)）；

——樣本總量。

2　基于YOLOv5的遷移學(xué)習(xí)

2.1 模型遷移原理

2.2 模型權(quán)重遷移方法

運(yùn)用模型遷移的思想將求目標(biāo)域模型的任務(wù)簡(jiǎn)化為求目標(biāo)域的分類函數(shù)，而特征提取函數(shù)繼承源域。

已知目標(biāo)域數(shù)據(jù)集為一小樣本數(shù)據(jù)集，若該數(shù)據(jù)集直接運(yùn)用深度學(xué)習(xí)模型，網(wǎng)絡(luò)檢測(cè)精度低，且由于數(shù)據(jù)量過(guò)少，loss曲線震蕩，收斂很慢。若存在一個(gè)數(shù)據(jù)分布均勻且數(shù)據(jù)量充足的數(shù)據(jù)集，該數(shù)據(jù)集的缺陷特征與分類任務(wù)同目標(biāo)數(shù)據(jù)集都很相似，則目標(biāo)數(shù)據(jù)集和該數(shù)據(jù)集可以共享特征提取函數(shù)，該數(shù)據(jù)集稱為源數(shù)據(jù)集。換而言之，可通過(guò)源數(shù)據(jù)集獲取一個(gè)經(jīng)過(guò)大量樣本訓(xùn)練的網(wǎng)絡(luò)模型，將該模型的特征提取部分權(quán)重遷移至目標(biāo)數(shù)據(jù)集，再根據(jù)目標(biāo)數(shù)據(jù)集特點(diǎn)對(duì)模型進(jìn)行調(diào)整。該方法可使目標(biāo)數(shù)據(jù)集的分類模型在開(kāi)始訓(xùn)練前獲得大量有意義的先驗(yàn)信息[7]，從而提高目標(biāo)數(shù)據(jù)集小樣本訓(xùn)練的效果。模型權(quán)重遷移示意如圖2所示。

圖2 模型權(quán)重遷移示意圖

3　數(shù)據(jù)集分析

3.1 目標(biāo)數(shù)據(jù)集構(gòu)建

待檢測(cè)的連接器樣本為小尺寸工件，其尺寸約為3.5 cm×0.5 cm，缺陷尺寸約為0.9 mm×8.5 mm。為了能清晰呈現(xiàn)缺陷紋理，利用MV-CE200-10GM高清工業(yè)相機(jī)采集圖像，相機(jī)主要參數(shù)如表1所示。

表1 工業(yè)相機(jī)主要參數(shù)

為便于后續(xù)檢測(cè)，提高算法處理效率，采用感興趣區(qū)域（region of interest, ROI）提取方法對(duì)原始大尺寸圖像進(jìn)行裁剪與統(tǒng)一，得到尺寸為2 450×230像素連接器圖像樣本。為減少原始圖像噪點(diǎn)對(duì)后續(xù)特征提取的影響，利用高斯濾波等預(yù)處理技術(shù)對(duì)原始圖像進(jìn)行處理。

經(jīng)過(guò)圖像采集與預(yù)處理后，共獲得325幅樣本。本文選取連接器最典型的3類缺陷：臟污、劃痕、壓傷作為研究對(duì)象，按6∶2∶2的比例構(gòu)建訓(xùn)練集、驗(yàn)證集、測(cè)試集。缺陷標(biāo)注對(duì)網(wǎng)絡(luò)訓(xùn)練效果非常重要，本文連接器樣本缺陷標(biāo)注在工廠專業(yè)技術(shù)人員的指導(dǎo)下完成，缺陷位置框定、缺陷類型區(qū)分均以工業(yè)生產(chǎn)實(shí)際與需求為依據(jù)。使用在線標(biāo)注工具Roboflow完成缺陷打標(biāo)，并按比例隨機(jī)分出訓(xùn)練集、驗(yàn)證集與測(cè)試集。數(shù)據(jù)集中缺陷類別與數(shù)量如表2所示，目標(biāo)數(shù)據(jù)集中3類缺陷標(biāo)注如圖3所示。

表2 目標(biāo)數(shù)據(jù)集中各類樣本數(shù)據(jù) 單位：幅

圖3 目標(biāo)數(shù)據(jù)集（連接器）樣本缺陷標(biāo)注圖

由表2可知，目標(biāo)數(shù)據(jù)集中缺陷樣本數(shù)量較少，且分布不均，其中劃痕與壓傷類缺陷總數(shù)不超過(guò)200個(gè)，且不及臟污類缺陷總數(shù)的一半。

3.2 源數(shù)據(jù)集

本研究選取東北大學(xué)表面缺陷數(shù)據(jù)庫(kù)中的NEU-DET數(shù)據(jù)集為源數(shù)據(jù)集。該數(shù)據(jù)集為熱扎帶鋼表面缺陷數(shù)據(jù)集，包含裂紋、斑塊、夾雜、麻點(diǎn)、壓入氧化皮和劃痕等6類缺陷，每類缺陷含300幅樣本，共計(jì)1 800幅樣本。NEU-DET數(shù)據(jù)集中6類缺陷標(biāo)注如圖4所示。

圖4 NEU-DET數(shù)據(jù)集（熱扎帶鋼）樣本缺陷標(biāo)注圖

由源域向目標(biāo)域進(jìn)行模型遷移，需保證源域與目標(biāo)域的特征空間和分類任務(wù)相同或相似。因此，實(shí)驗(yàn)前需對(duì)NEU-DET數(shù)據(jù)集進(jìn)行剪枝調(diào)整，使其滿足模型遷移的條件。

經(jīng)過(guò)特征分析與比對(duì)后，本文選擇NEU-DET數(shù)據(jù)集中的斑塊、夾雜和劃痕3類缺陷，每類缺陷300幅樣本，共計(jì)900幅樣本作為源數(shù)據(jù)集。

4　實(shí)驗(yàn)驗(yàn)證與分析

4.1 實(shí)驗(yàn)平臺(tái)

4.2 源數(shù)據(jù)集模型訓(xùn)練

對(duì)目標(biāo)數(shù)據(jù)集進(jìn)行模型遷移，需由充足的數(shù)據(jù)量訓(xùn)練一個(gè)完備的源數(shù)據(jù)集模型。

參數(shù)與超參數(shù)初始化如下：優(yōu)化器采用Adam；初始學(xué)習(xí)率為0.000 1；OneCycleLR學(xué)習(xí)率為0.01；動(dòng)量參數(shù)為0.937；權(quán)重衰減系數(shù)為0.000 5；輸入圖像尺寸為640×640像素；初始權(quán)重使用默認(rèn)預(yù)訓(xùn)練權(quán)重yolov5l.pt，batch-size為16；訓(xùn)練輪次epochs為300輪。3類損失曲線如圖5所示。

由圖5可知，模型在迭代次數(shù)到達(dá)約200輪時(shí)，3類loss值均已收斂，模型權(quán)重趨于穩(wěn)定，所得模型權(quán)重為source_transfer.pt。

圖5 源數(shù)據(jù)集3類損失函數(shù)曲線圖

由于源數(shù)據(jù)集模型僅為目標(biāo)數(shù)據(jù)集作模型遷移使用，所以本實(shí)驗(yàn)不關(guān)心其檢測(cè)精度等指標(biāo)。

4.3 目標(biāo)數(shù)據(jù)集模型訓(xùn)練

對(duì)于目標(biāo)數(shù)據(jù)集，本文進(jìn)行模型遷移有效性驗(yàn)證和模型最優(yōu)遷移層數(shù)確認(rèn)2個(gè)實(shí)驗(yàn)。

4.3.1 模型遷移有效性驗(yàn)證實(shí)驗(yàn)

在目標(biāo)數(shù)據(jù)集上分別訓(xùn)練非遷移模型和遷移模型，并對(duì)比2個(gè)模型的性能。訓(xùn)練非遷移模型時(shí)，網(wǎng)絡(luò)初始權(quán)重使用默認(rèn)預(yù)訓(xùn)練權(quán)重yolov5l.pt；訓(xùn)練遷移模型時(shí)，使用遷移模型權(quán)重source_transfer.pt。

遷移模型的訓(xùn)練有凍結(jié)和解凍2種訓(xùn)練策略。其中，凍結(jié)訓(xùn)練是指訓(xùn)練時(shí)凍結(jié)模型主干網(wǎng)絡(luò)，即特征提取網(wǎng)絡(luò)不發(fā)生變化，僅對(duì)模型結(jié)構(gòu)進(jìn)行微調(diào)；解凍訓(xùn)練是指訓(xùn)練時(shí)網(wǎng)絡(luò)所有參數(shù)均會(huì)發(fā)生變化。

該實(shí)驗(yàn)參數(shù)與超參數(shù)同章節(jié)4.2實(shí)驗(yàn)相同，不同處為：輸入圖像尺寸為1 024×1 024像素，batch-size為8。進(jìn)行凍結(jié)訓(xùn)練、解凍訓(xùn)練以及凍結(jié)與解凍組合訓(xùn)練，測(cè)試如何設(shè)置凍結(jié)輪次能使模型具有最佳性能。

首先，進(jìn)行凍結(jié)訓(xùn)練，從0開(kāi)始逐步增加凍結(jié)訓(xùn)練輪次，每次epochs增加10輪，每個(gè)實(shí)驗(yàn)重復(fù)3次取平均值，以避免偶然因素，減小誤差。

然后，進(jìn)行解凍訓(xùn)練，總訓(xùn)練輪次固定為300輪，保證模型收斂。

凍結(jié)輪次對(duì)遷移模型性能的影響如圖6所示。圖中凍結(jié)輪次為0表示只進(jìn)行了解凍訓(xùn)練。

圖6 凍結(jié)輪次對(duì)遷移模型性能的影響

由圖6可知，凍結(jié)輪次為50輪時(shí)，模型性能最優(yōu)。

使用默認(rèn)權(quán)重yolov5l.pt訓(xùn)練300輪得到非遷移模型，遷移模型與非遷移模型性能對(duì)比如表3所示。

表3 遷移模型與非遷移模型性能對(duì)比

由表3可知：從檢測(cè)精度來(lái)看，單純的凍結(jié)或解凍訓(xùn)練相比于非遷移訓(xùn)練并無(wú)明顯優(yōu)勢(shì)，但二者的組合訓(xùn)練顯著地提高了檢測(cè)精度，其中凍結(jié)訓(xùn)練50輪后再解凍訓(xùn)練250輪，檢測(cè)精度提升最多，約為5.5%；從收斂輪次來(lái)看，遷移模型的收斂速度均快于非遷移模型。

實(shí)驗(yàn)證明，相較于非遷移模型，遷移模型的檢測(cè)精度更高，模型收斂速度更快。

4.3.2 模型最優(yōu)遷移層數(shù)確認(rèn)實(shí)驗(yàn)

圖7 權(quán)重遷移層數(shù)對(duì)模型性能的影響

由圖7可知，遷移整個(gè)主干網(wǎng)絡(luò)時(shí)（10層），遷移模型的檢測(cè)精度最高。

5　結(jié)論

1）本文基于電子連接器小樣本數(shù)據(jù)集，應(yīng)用一個(gè)經(jīng)過(guò)大量樣本訓(xùn)練的模型權(quán)重進(jìn)行遷移學(xué)習(xí)，建立基于YOLOv5的連接器表面缺陷檢測(cè)模型，該模型經(jīng)過(guò)凍結(jié)與解凍的組合訓(xùn)練，對(duì)臟污、壓傷和劃痕3類缺陷的平均檢測(cè)精度可達(dá)77.3%，相較于同數(shù)據(jù)集下訓(xùn)練的無(wú)遷移的YOLOv5模型，檢測(cè)精度提升約為5.5%，網(wǎng)絡(luò)收斂速度提升約為25%。

2）實(shí)驗(yàn)證明，應(yīng)用權(quán)重遷移與模型調(diào)整的方法后，模型訓(xùn)練的初始化起點(diǎn)離全局最優(yōu)解較近，模型檢測(cè)精度有所提高，模型收斂速度顯著加快，模型訓(xùn)練與部署所需的時(shí)間顯著減少。

3）實(shí)驗(yàn)證明，本文提出的模型在一定程度上解決了深度學(xué)習(xí)方法應(yīng)用于小樣本數(shù)據(jù)集時(shí)，檢測(cè)精度低，收斂速度慢的問(wèn)題，驗(yàn)證了該模型應(yīng)用于工業(yè)外觀缺陷檢測(cè)的可行性。

[1] WANG Y, YAO Q, KWOK J T, et al. Generalizing from a few examples: a survey on few-shot learning[J]. ACM Computing Surveys (csur), 2020,53(3):1-34.

[2] 趙凱琳,靳小龍,王元卓.小樣本學(xué)習(xí)研究綜述[J].軟件學(xué)報(bào),2021,32(2):349-369.

[3] 潘崇煜,黃健,郝建國(guó),等.融合零樣本學(xué)習(xí)和小樣本學(xué)習(xí)的弱監(jiān)督學(xué)習(xí)方法綜述[J].系統(tǒng)工程與電子技術(shù),2020,42(10): 2246-2256.

[4] SNELL J, SWERSKY K, ZEMEL R. Prototypical networks for few-shot learning[J]. Advances in neural information processing systems, 2017,30:4077-4087.

[5] VINYALS O, BLUNDELL C, LILLICRAP T, et al. Matching networks for one shot learning[J]. Advances in neural information processing systems, 2016, 29: 3630?3638.

[6] 胡詩(shī)堯.注塑件外觀缺陷小樣本視覺(jué)檢測(cè)方法與實(shí)現(xiàn)[D].武漢:華中科技大學(xué),2019.

[7] 胡安林.基于生成對(duì)抗網(wǎng)絡(luò)與遷移學(xué)習(xí)的小樣本艦船目標(biāo)檢測(cè)[D].重慶:重慶大學(xué),2020.

[8] 陳建強(qiáng),劉明宇,符秦沈,等.基于深度學(xué)習(xí)的熱軋鋼帶表面缺陷檢測(cè)方法[J].自動(dòng)化與信息工程,2019,40(4):11-16,19.

Small-sample Connector Defect Detection Method Based on Transfer Learning

DU Juan1,2YANG Junzhi1

(1. School of Automation Science and Control Engineering, South China University of Technology, Guangzhou 510641, China 2. Guangdong Provincial Engineering Laboratory for Advanced Chip Intelligent Packaging Equipment, Guangzhou 510641, China)

With the development and improvement of machine vision algorithms in recent years, various deep learning methods have begun to gradually replace human-eye detection and traditional computer vision methods based on feature selection, and are applied in many aspects of industrial production to detect all kinds of surface defects that may occur in production. The deep learning method can extract image features from shallow to deep with the deepening of the network layer. However, because it is data-driven, it needs a huge amount of data as support, which is contradictory to the small amount of abnormal sample data and uneven distribution in industrial production. For the above problems, in this paper, using the small-sample connector dataset containing only 325 image samples, based on the object detection network YOLOv5, the method based on weight transfer and model adjustment is proposed, and the network is trained by a combination of freezing and thawing training. Experiments show that for this small-sample data set, compared with the direct use of the object detection network, this method has higher detection accuracy and faster convergence speed, which can satisfy the needs of industrial production better.

defect detection; deep learning; small-sample learning; transfer learning; electronic connector

TP311.1

A

1674-2605(2022)05-0001-07

10.3969/j.issn.1674-2605.2022.05.001

杜娟,楊鈞植.基于遷移學(xué)習(xí)的小樣本連接器缺陷檢測(cè)方法[J].自動(dòng)化與信息工程,2022,43(5):1-7.

DU Juan, YANG Junzhi. Small-sample connector defect detection method based on transfer learning[J]. Automation & Information Engineering, 2022,43(5):1-7.

杜娟，女，1975年生，工學(xué)博士，副教授，主要研究方向：機(jī)器視覺(jué)、圖像處理、智能控制。E-mail: dujuan@scut.edu.cn

楊鈞植，男，1998年生，工學(xué)碩士，主要研究方向：機(jī)器視覺(jué)、圖像處理、視覺(jué)檢測(cè)、小樣本學(xué)習(xí)。E-mail: 1035835462@qq.com