陳嵐 劉旭

［摘 要］隨著工業(yè)和智能制造的發(fā)展，工業(yè)產(chǎn)品的質(zhì)量控制變得越來(lái)越重要。傳統(tǒng)的人工檢查方法由于其低效、不穩(wěn)定和主觀性等問(wèn)題，已經(jīng)無(wú)法滿足當(dāng)前的需求。因此，基于機(jī)器視覺(jué)的自動(dòng)化檢測(cè)技術(shù)，特別是基于深度學(xué)習(xí)的檢測(cè)技術(shù)，正在成為一個(gè)熱門的研究。深度學(xué)習(xí)作為一種強(qiáng)大的機(jī)器學(xué)習(xí)方法，已經(jīng)在圖像處理、語(yǔ)音識(shí)別、自然語(yǔ)言處理等多個(gè)領(lǐng)域取得了突破性的成果。

［關(guān)鍵詞］機(jī)器視覺(jué)；工業(yè)產(chǎn)品；表面缺陷；檢測(cè)技術(shù)

［中圖分類號(hào)］T-01文獻(xiàn)標(biāo)志碼：A

工業(yè)產(chǎn)品表面缺陷檢測(cè)是制造業(yè)中至關(guān)重要的環(huán)節(jié)。產(chǎn)品的外觀質(zhì)量直接影響消費(fèi)者對(duì)產(chǎn)品的認(rèn)可度和購(gòu)買意愿。表面缺陷，如劃痕、凹痕、顏色不均等，不僅會(huì)降低產(chǎn)品的美觀度，還可能影響產(chǎn)品的功能和使用壽命。通過(guò)及時(shí)發(fā)現(xiàn)和修復(fù)表面缺陷，制造商可以提高產(chǎn)品的質(zhì)量和價(jià)值，增強(qiáng)市場(chǎng)競(jìng)爭(zhēng)力。而忽視表面缺陷檢測(cè)可能導(dǎo)致質(zhì)量投訴、產(chǎn)品召回或聲譽(yù)受損。傳統(tǒng)的人工檢查方法往往耗時(shí)較多且主觀性較強(qiáng)，降低了大規(guī)模生產(chǎn)的效率。因此，基于機(jī)器視覺(jué)的工業(yè)產(chǎn)品表面缺陷檢測(cè)技術(shù)的研究對(duì)于實(shí)現(xiàn)高效、自動(dòng)化和可靠的缺陷檢測(cè)具有重要意義，有助于提升制造業(yè)的產(chǎn)品質(zhì)量和生產(chǎn)效率，降低成本，增強(qiáng)企業(yè)的競(jìng)爭(zhēng)力和可持續(xù)發(fā)展能力。

1 機(jī)器視覺(jué)缺陷檢測(cè)的基本理論

1.1 機(jī)器視覺(jué)技術(shù)的基礎(chǔ)

機(jī)器視覺(jué)技術(shù)基于計(jì)算機(jī)和相關(guān)設(shè)備的硬件平臺(tái)，通過(guò)適配的圖像采集設(shè)備，如攝像頭和光源等，將被測(cè)對(duì)象轉(zhuǎn)化為圖像信號(hào)，然后傳送到圖像處理系統(tǒng)。圖像處理系統(tǒng)能夠?qū)@些信號(hào)進(jìn)行一系列的分析處理，以識(shí)別目標(biāo)的外形、位置、尺寸、色彩等特征。機(jī)器視覺(jué)技術(shù)的應(yīng)用步驟一般包括圖像采集、預(yù)處理、圖像分析和識(shí)別、決策處理。其中，圖像采集是將物理世界中的對(duì)象轉(zhuǎn)化為計(jì)算機(jī)可以理解和處理的數(shù)字信號(hào)，通過(guò)數(shù)字?jǐn)z像頭或者其他圖像傳感器完成的技術(shù)，這些設(shè)備可以將光信號(hào)轉(zhuǎn)化為電信號(hào)，然后進(jìn)一步轉(zhuǎn)化為數(shù)字信號(hào)；預(yù)處理是對(duì)圖像進(jìn)行一些初步的處理，如噪聲消除、對(duì)比度增強(qiáng)、色彩平衡、歸一化等，以改進(jìn)圖像質(zhì)量和減少后續(xù)步驟中的計(jì)算復(fù)雜度，盡可能保留圖像中的有效信息，消除無(wú)關(guān)的干擾信息；圖像分析和識(shí)別是機(jī)器視覺(jué)技術(shù)的核心部分，這一步主要是通過(guò)各種圖像處理算法，如邊緣檢測(cè)、特征提取、模式識(shí)別、機(jī)器學(xué)習(xí)等，識(shí)別圖像中的特定目標(biāo)或理解圖像的內(nèi)容，需要對(duì)圖像進(jìn)行一系列復(fù)雜的數(shù)學(xué)運(yùn)算，如卷積、傅里葉變換、波特分解等；決策處理是根據(jù)前面的圖像分析和識(shí)別的結(jié)果，作出一些應(yīng)用相關(guān)的決策，如自動(dòng)控制、導(dǎo)航、診斷等，并與其他系統(tǒng)或者設(shè)備交互，如運(yùn)動(dòng)控制系統(tǒng)、人機(jī)交互設(shè)備、數(shù)據(jù)庫(kù)等。機(jī)器視覺(jué)技術(shù)的最終目標(biāo)是模擬人眼的視覺(jué)功能，使計(jì)算機(jī)能夠理解物理世界中的圖像信息，根據(jù)這些信息作出智能的決策。與人眼不同的是，機(jī)器視覺(jué)不受物理?xiàng)l件的限制，可以處理超出人眼可見(jiàn)范圍的圖像，如紅外圖像、超聲圖像等，也可以處理超出人腦處理能力的大量圖像，如衛(wèi)星圖像、醫(yī)學(xué)影像等［1］。

1.2 機(jī)器視覺(jué)用于表面缺陷檢測(cè)的原理

機(jī)器視覺(jué)技術(shù)在工業(yè)表面缺陷檢測(cè)中的基本原理主要包括圖像采集、圖像預(yù)處理、特征提取和分類識(shí)別。對(duì)于表面缺陷檢測(cè)來(lái)說(shuō)，缺陷的大小、形狀和顏色特征都需要通過(guò)圖像精確地表達(dá)出來(lái)，工業(yè)產(chǎn)品表面缺陷通常以色彩、紋理、形狀等方式在圖像中體現(xiàn)，因此需要高清晰度、高對(duì)比度的圖像來(lái)準(zhǔn)確捕捉這些信息，對(duì)于復(fù)雜或難以觀察的工件，可能需要采用特殊的成像技術(shù)，如X射線、紅外、紫外等；圖像預(yù)處理的目標(biāo)是更好地展示和分析表面缺陷，這些步驟可以顯著提高圖像質(zhì)量，使后續(xù)的特征提取和分類更為準(zhǔn)確，特別是對(duì)于含有復(fù)雜背景和光照條件的圖像，預(yù)處理步驟顯得尤為重要；在應(yīng)用機(jī)器視覺(jué)技術(shù)對(duì)工業(yè)產(chǎn)品表面缺陷的檢測(cè)過(guò)程中，特征提取是區(qū)分正常區(qū)域和缺陷區(qū)域的主要依據(jù)，不同類型的缺陷需要提取不同的特征，如裂紋、疤痕、凹坑、銹蝕等缺陷可能有各自的特征；分類識(shí)別階段涉及復(fù)雜的模式識(shí)別和機(jī)器學(xué)習(xí)算法，如決策樹、支持向量機(jī)、神經(jīng)網(wǎng)絡(luò)等，系統(tǒng)將學(xué)習(xí)如何根據(jù)特征來(lái)識(shí)別和分類不同的缺陷，需要大量的訓(xùn)練數(shù)據(jù)和計(jì)算資源［2］。

1.3 傳統(tǒng)方法和問(wèn)題

傳統(tǒng)的工業(yè)表面缺陷檢測(cè)方法主要依賴人工檢測(cè)或基本的圖像處理技術(shù)，在處理復(fù)雜任務(wù)時(shí)，通常存在效率低、準(zhǔn)確性差和穩(wěn)定性不足等問(wèn)題。在人工檢測(cè)中，工作人員通過(guò)肉眼或使用顯微鏡、放大鏡等工具，直接觀察產(chǎn)品表面以檢測(cè)缺陷。盡管這種方法簡(jiǎn)單易行，但由于其主觀性強(qiáng)，且受到人的視覺(jué)能力、經(jīng)驗(yàn)、注意力等因素的影響，使得人工檢測(cè)的效率低且容易出錯(cuò)，人工檢測(cè)無(wú)法滿足高速生產(chǎn)線的要求，對(duì)于小型和微型缺陷也很難進(jìn)行有效檢測(cè)，已經(jīng)無(wú)法滿足現(xiàn)代工業(yè)生產(chǎn)的需求。在基本的圖像處理技術(shù)中，工程師通常使用各種算法來(lái)處理和分析圖像，以檢測(cè)表面缺陷，包括邊緣檢測(cè)、閾值分割、形態(tài)學(xué)操作、紋理分析等。雖然這些方法相比人工檢測(cè)能夠大幅提高檢測(cè)效率和準(zhǔn)確性，但對(duì)于復(fù)雜多變的工業(yè)環(huán)境，這些方法的穩(wěn)定性和可靠性往往無(wú)法達(dá)到令人滿意的效果。例如，對(duì)于光照條件變化、復(fù)雜背景、產(chǎn)品變化等情況，傳統(tǒng)的圖像處理方法可能需要人工調(diào)整參數(shù)，而這往往需要專業(yè)的知識(shí)和豐富的經(jīng)驗(yàn)，導(dǎo)致系統(tǒng)的使用和維護(hù)成本較高；對(duì)于不同類型和大小的缺陷，傳統(tǒng)的圖像處理方法可能需要設(shè)計(jì)不同的算法，從而增加系統(tǒng)的復(fù)雜性和研發(fā)成本。更進(jìn)一步的問(wèn)題在于，傳統(tǒng)的圖像處理方法主要依賴于手工設(shè)計(jì)，可能無(wú)法捕捉到缺陷的所有信息，尤其是對(duì)于復(fù)雜和微妙的缺陷，對(duì)于新型和未知的缺陷，傳統(tǒng)的方法可能需要重新設(shè)計(jì)和調(diào)整，會(huì)耗費(fèi)大量的時(shí)間和人力資源。此外，由于傳統(tǒng)的圖像處理方法通?；诖_定性的數(shù)學(xué)模型，對(duì)于噪聲和異常值的魯棒性較差，工業(yè)環(huán)境通常包含各種不確定性和干擾，包括機(jī)器振動(dòng)、塵埃、磨損、光照變化等，使得傳統(tǒng)的方法在實(shí)際應(yīng)用中的性能可能低于理論預(yù)期，且需要經(jīng)常進(jìn)行維護(hù)和調(diào)整。

2 基于機(jī)器視覺(jué)的工業(yè)產(chǎn)品表面缺陷檢測(cè)方法

2.1 圖像采集系統(tǒng)設(shè)計(jì)

圖像采集系統(tǒng)設(shè)計(jì)應(yīng)選擇合適的圖像傳感器和光源，圖像傳感器的選擇應(yīng)基于被檢測(cè)產(chǎn)品的特點(diǎn)和缺陷類型，以確保獲取高分辨率、清晰度和細(xì)節(jié)豐富的圖像。不同類型的圖像傳感器，如CCD（電荷耦合器件）或CMOS（互補(bǔ)金屬氧化物半導(dǎo)體），具有不同的優(yōu)勢(shì)和適用性。光源的選擇和布置對(duì)于有效突出缺陷是至關(guān)重要的，提供均勻而穩(wěn)定的光照條件，并能消除陰影和反射，合適的光源類型，如LED（發(fā)光二極管）或激光，應(yīng)根據(jù)被檢測(cè)產(chǎn)品的特性進(jìn)行選擇，并考慮光源的亮度、顏色溫度和角度等參數(shù)。為了獲得全面和全局的表面圖像，應(yīng)選擇適當(dāng)?shù)溺R頭和視野，以確保整個(gè)表面得以充分覆蓋，根據(jù)被檢測(cè)產(chǎn)品的大小和形狀，選擇固定焦距鏡頭、變焦鏡頭或魚眼鏡頭等。在圖像采集系統(tǒng)設(shè)計(jì)中，實(shí)時(shí)性和自動(dòng)化也是重要考慮因素，系統(tǒng)應(yīng)具備高速圖像采集和傳輸?shù)哪芰?，以滿足實(shí)時(shí)性要求。為了實(shí)現(xiàn)自動(dòng)化的缺陷檢測(cè)流程，圖像采集系統(tǒng)應(yīng)與其他設(shè)備或生產(chǎn)線進(jìn)行集成，通過(guò)通信接口實(shí)現(xiàn)數(shù)據(jù)的傳輸和控制［3］。

2.2 圖像預(yù)處理和增強(qiáng)技術(shù)

圖像預(yù)處理和增強(qiáng)技術(shù)可以改善圖像質(zhì)量、減少噪聲、增強(qiáng)缺陷特征，從而提高缺陷檢測(cè)的準(zhǔn)確性和魯棒性。圖像預(yù)處理涉及對(duì)原始圖像進(jìn)行一系列操作，以減少噪聲并消除不必要的細(xì)節(jié)，常見(jiàn)的預(yù)處理方法包括圖像去噪、平滑濾波和圖像增強(qiáng)；去噪技術(shù)可以通過(guò)使用降噪濾波器，如均值濾波器、中值濾波器或高斯濾波器，來(lái)減少圖像中的噪聲，提高圖像的清晰度和質(zhì)量；平滑濾波技術(shù)可以通過(guò)對(duì)圖像進(jìn)行模糊處理來(lái)減少圖像中的細(xì)節(jié)和噪聲，使得缺陷更加突出；圖像增強(qiáng)技術(shù)可以通過(guò)調(diào)整圖像的對(duì)比度、亮度和色彩平衡等參數(shù)，來(lái)增強(qiáng)缺陷的可見(jiàn)性，使其更易于檢測(cè)。針對(duì)不同類型的缺陷和圖像特征，可以采用特定的增強(qiáng)技術(shù)，對(duì)于細(xì)小而明亮的缺陷采用局部對(duì)比度增強(qiáng)技術(shù)，如直方圖均衡化、自適應(yīng)直方圖均衡化或?qū)Ρ榷壤?，以增?qiáng)缺陷的細(xì)節(jié)和對(duì)比度；邊緣缺陷或紋理缺陷可以應(yīng)用邊緣增強(qiáng)技術(shù)，如拉普拉斯濾波器、Sobel算子或Canny邊緣檢測(cè)算法，以突出缺陷的邊界和紋理特征；還可以采用多尺度圖像增強(qiáng)技術(shù)，如小波變換或尺度空間分析，以捕捉不同尺度下的缺陷特征。

2.3 特征提取和選擇方法

特征提取和選擇涉及從原始圖像中提取出具有判別能力的特征，并選擇最具代表性和區(qū)分性的特征子集，以實(shí)現(xiàn)缺陷檢測(cè)的高準(zhǔn)確性和魯棒性。在特征提取階段，常用的方法包括基于像素的直接特征提取和基于圖像變換的特征提取。基于像素的直接特征提取方法是通過(guò)計(jì)算圖像中每個(gè)像素的灰度值、顏色信息或紋理信息等來(lái)構(gòu)建特征向量，這些特征可以是統(tǒng)計(jì)特征（如均值、方差、能量等），紋理特征（如局部二值模式、灰度共生矩陣等）或形狀特征（如邊緣、角點(diǎn)等）；基于圖像變換的特征提取方法則是利用變換技術(shù)將圖像轉(zhuǎn)換到另一個(gè)特征空間，如傅里葉變換、小波變換或主成分分析等，捕捉到不同尺度、頻率或能量的特征信息。在特征選擇階段，目的是從提取到的大量特征中選擇最相關(guān)和最具代表性的特征子集，常見(jiàn)的特征選擇方法包括過(guò)濾方法、包裹方法和嵌入方法。過(guò)濾方法通過(guò)計(jì)算特征與目標(biāo)變量之間的相關(guān)性或重要性指標(biāo)，如信息增益、相關(guān)系數(shù)、方差分析等，來(lái)評(píng)估特征的貢獻(xiàn)，并選擇排名靠前的特征子集；包裹方法則是通過(guò)將特征選擇問(wèn)題轉(zhuǎn)化為優(yōu)化問(wèn)題，并使用啟發(fā)式搜索算法或遺傳算法等來(lái)找到最佳特征子集；嵌入方法則是將特征選擇嵌入機(jī)器學(xué)習(xí)模型的訓(xùn)練過(guò)程，通過(guò)學(xué)習(xí)過(guò)程中的權(quán)重調(diào)整或特征的相關(guān)性分析來(lái)選擇最優(yōu)特征。在選擇特征時(shí)，鑒別能力表示特征對(duì)于不同類別的缺陷能否有區(qū)分性，冗余性表示特征之間是否存在冗余信息，通過(guò)評(píng)估特征之間的相關(guān)性和互信息，可以避免選擇高度相關(guān)或冗余的特征，從而提高特征選擇的效果。

3 機(jī)器視覺(jué)技術(shù)的基礎(chǔ)之基于深度學(xué)習(xí)模型的表面缺陷檢測(cè)應(yīng)用

3.1 新模型的設(shè)計(jì)思路

在設(shè)計(jì)新的深度學(xué)習(xí)模型以應(yīng)對(duì)工業(yè)產(chǎn)品表面缺陷檢測(cè)任務(wù)時(shí)，需要考慮一系列核心問(wèn)題，如數(shù)據(jù)的多樣性、訓(xùn)練效率、模型解釋性和實(shí)際應(yīng)用的復(fù)雜性。工業(yè)產(chǎn)品表面缺陷檢測(cè)任務(wù)具有多樣性和復(fù)雜性的特點(diǎn)，缺陷類型、尺寸、形狀和位置可能有很大的變化，而背景、光照和噪聲也可能影響檢測(cè)效果。因此，新模型應(yīng)當(dāng)具有較強(qiáng)的特征提取能力和泛化能力，能夠自動(dòng)學(xué)習(xí)和適應(yīng)各種情況，模型也應(yīng)當(dāng)具有一定的魯棒性，能夠處理一些未知的干擾和異常。由于工業(yè)環(huán)境中的數(shù)據(jù)量通常很大，應(yīng)進(jìn)行實(shí)時(shí)或近實(shí)時(shí)的檢測(cè)，因此模型的訓(xùn)練和推理速度都是重要考慮因素，需要利用一些高效的網(wǎng)絡(luò)結(jié)構(gòu)和優(yōu)化算法，如殘差網(wǎng)絡(luò)、注意力機(jī)制、遷移學(xué)習(xí)等，還需要考慮模型的解釋性，雖然深度學(xué)習(xí)模型通常被認(rèn)為是“黑箱”，但在工業(yè)應(yīng)用中，往往需要理解和解釋模型的決策，以便進(jìn)行調(diào)試、優(yōu)化和信任建設(shè)。實(shí)際的工業(yè)環(huán)境可能存在各種限制和挑戰(zhàn)，如計(jì)算資源、數(shù)據(jù)質(zhì)量、操作難度等。因此，需要設(shè)計(jì)一些實(shí)用的策略和工具，如數(shù)據(jù)增強(qiáng)、在線學(xué)習(xí)、用戶友好的界面等，以使模型能夠在實(shí)際環(huán)境中有效運(yùn)行［4］。

3.2 新模型的構(gòu)造和訓(xùn)練

構(gòu)建和訓(xùn)練新的深度學(xué)習(xí)模型以實(shí)現(xiàn)工業(yè)產(chǎn)品表面缺陷檢測(cè)任務(wù)，是一個(gè)既系統(tǒng)又動(dòng)態(tài)的過(guò)程，涵蓋了模型架構(gòu)的選擇、模型的訓(xùn)練、優(yōu)化以及評(píng)估和調(diào)整等多個(gè)環(huán)節(jié)。模型的選擇通常取決于特定任務(wù)的需求，對(duì)于工業(yè)表面缺陷檢測(cè)，卷積神經(jīng)網(wǎng)絡(luò)（CNN）由于其在圖像處理方面的卓越表現(xiàn)，變成了一個(gè)自然的選擇。對(duì)于更復(fù)雜的情況，比如時(shí)間序列的工業(yè)視頻檢測(cè)，可以考慮使用更復(fù)雜的網(wǎng)絡(luò)結(jié)構(gòu)，如循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）或時(shí)空卷積神經(jīng)網(wǎng)絡(luò)（3D CNN）。在模型訓(xùn)練環(huán)節(jié)，需要定義一個(gè)損失函數(shù)，用于衡量模型預(yù)測(cè)結(jié)果與實(shí)際標(biāo)簽之間的差距，然后通過(guò)優(yōu)化算法，如隨機(jī)梯度下降（SGD）或者Adam等，不斷調(diào)整模型的參數(shù)，使得損失函數(shù)的值最小。在這個(gè)過(guò)程中，需要注意的是過(guò)擬合問(wèn)題，也就是模型在訓(xùn)練數(shù)據(jù)上表現(xiàn)優(yōu)秀，但在未知數(shù)據(jù)上表現(xiàn)較差，為防止過(guò)擬合，可以使用一些正則化技術(shù)，如權(quán)重衰減、早停和Dropout等。訓(xùn)練模型后，可以使用驗(yàn)證數(shù)據(jù)集來(lái)評(píng)估模型的性能，并根據(jù)評(píng)估結(jié)果來(lái)調(diào)整模型的參數(shù)和結(jié)構(gòu)，反復(fù)進(jìn)行多次，直到模型的性能達(dá)到令人滿意的水平［5］。

3.3 新模型在工業(yè)實(shí)踐中的效果

在汽車制造業(yè)中，深度學(xué)習(xí)模型被成功應(yīng)用于車身漆面的缺陷檢測(cè)。以往的車身漆面表面缺陷檢測(cè)依賴人工檢查，但檢測(cè)效率低和結(jié)果的可參考性不高，使得缺陷的準(zhǔn)確檢測(cè)和判定成為一個(gè)具有挑戰(zhàn)性的任務(wù)。為了解決這個(gè)問(wèn)題，該領(lǐng)先汽車制造商決定采用深度學(xué)習(xí)模型進(jìn)行自動(dòng)化檢測(cè)。該公司通過(guò)收集大量車身漆面的圖像數(shù)據(jù)，包括正常的和帶有各種類型缺陷（如劃痕、凹痕、顏色不均等）的圖像，并利用這些圖像數(shù)據(jù)訓(xùn)練了一個(gè)卷積神經(jīng)網(wǎng)絡(luò)模型。這個(gè)模型能夠通過(guò)學(xué)習(xí)大量樣本中的視覺(jué)特征和模式，自動(dòng)對(duì)車身漆面進(jìn)行缺陷檢測(cè)。為了增加模型的魯棒性和泛化能力，該公司還采用了數(shù)據(jù)增強(qiáng)技術(shù)，如隨機(jī)旋轉(zhuǎn)、縮放、翻轉(zhuǎn)和添加噪聲等，使得模型能夠更好地適應(yīng)不同角度、尺寸和噪聲條件下的車身漆面圖像。然而，該公司并沒(méi)有完全依賴深度學(xué)習(xí)模型進(jìn)行自動(dòng)化檢測(cè)，而是采取人機(jī)協(xié)作的方式。深度學(xué)習(xí)模型首先進(jìn)行初步檢測(cè)，然后由人員進(jìn)行復(fù)查和確認(rèn)，人機(jī)協(xié)作的方式可以提高檢測(cè)的準(zhǔn)確性和可靠性，避免誤判和漏檢，人員在模型的基礎(chǔ)上進(jìn)行復(fù)查，可以準(zhǔn)確地判斷復(fù)雜缺陷情況，并及時(shí)修復(fù)或處理。

4 結(jié)語(yǔ)

總的來(lái)說(shuō)，基于深度學(xué)習(xí)的工業(yè)產(chǎn)品表面缺陷檢測(cè)技術(shù)，不僅可以顯著提高檢測(cè)的效率和準(zhǔn)確性，還可以減少人力成本和誤檢率。實(shí)現(xiàn)這個(gè)目標(biāo)需要不斷地學(xué)習(xí)和創(chuàng)新，以適應(yīng)不斷變化的工業(yè)環(huán)境和需求，也需要關(guān)注模型的解釋性和實(shí)用性，以便在提高性能的同時(shí)，確保模型在實(shí)際環(huán)境中的有效運(yùn)行和可持續(xù)發(fā)展。

參考文獻(xiàn)

［1］吳敵，李明輝，馬文凱，等. 基于改進(jìn)YOLOv5的鋼材表面缺陷檢測(cè)［J］. 陜西科技大學(xué)學(xué)報(bào)，2023，41（2）：162-169.

［2］曾耀，高法欽. 基于改進(jìn)YOLOv5的電子元件表面缺陷檢測(cè)算法［J］. 浙江大學(xué)學(xué)報(bào)（工學(xué)版），2023，57（3）：455-465.

［3］馬燕婷，趙紅東，閻超，等. 改進(jìn)YOLOv5網(wǎng)絡(luò)的帶鋼表面缺陷檢測(cè)方法［J］. 電子測(cè)量與儀器學(xué)報(bào)，2022，36（8）：150-157.

［4］黃夢(mèng)濤，連一鑫. 基于改進(jìn)Canny算子的鋰電池極片表面缺陷檢測(cè)［J］. 儀器儀表學(xué)報(bào)，2021，42（10）：199-209.

［5］王維，王杰，黃易楊，等. 基于偏振透射結(jié)構(gòu)光的透明物體表面缺陷檢測(cè)方法［J］. 光學(xué)學(xué)報(bào)，2021，41（18）：128-135.