劉秀平 王柯欣 馮國棟 閆煥營

（1.西安工程大學(xué)，陜西西安，710048；2.深圳羅博泰爾機器人有限公司，廣東深圳，518109）

隨著我國農(nóng)業(yè)市場化建設(shè)與農(nóng)業(yè)經(jīng)濟飛速發(fā)展，農(nóng)業(yè)領(lǐng)域中紡織品應(yīng)用廣泛，對紡織品質(zhì)量把控變得尤為重要，因此對其及時高效進(jìn)行缺陷檢測具有一定需求。農(nóng)業(yè)領(lǐng)域中農(nóng)林防護(hù)網(wǎng)多采用網(wǎng)狀白坯織物，材質(zhì)為高壓低密度聚乙烯絲。該織物具有紗孔易變形、紗線抗滑移性差、經(jīng)紗易沿緯紗左右滑動等特點；且多由紗線串套而成，結(jié)構(gòu)和紋理特征復(fù)雜，在缺陷檢測中存在特征點難找的問題，影響企業(yè)產(chǎn)量和產(chǎn)品質(zhì)量。

將顯著性檢測（Saliency Object Detection，SOD）引入深度學(xué)習(xí)是目前計算機視覺領(lǐng)域主流方向［1］，SOD 是自然場景中顯著物體的檢測和分割，包括前注意階段和注意力階段。近年來基于深度學(xué)習(xí)的紡織品缺陷檢測在企業(yè)應(yīng)用廣泛，在降低傳統(tǒng)人工質(zhì)檢成本的同時提高了檢測精度與效率，因而在智能制造中具有市場前景與研究意義。常見紡織品缺陷檢測技術(shù)有基于頻譜分析的方法、基于結(jié)構(gòu)的方法、基于統(tǒng)計學(xué)的方法、基于深度學(xué)習(xí)的方法等［2］。

基于頻譜分析的方法，關(guān)注圖像空間分布和頻域信息，頻域特征對圖像噪聲靈敏度弱且低于空間分布特征，檢測中通常需將頻域和空間分布信息結(jié)合。王延年等［3］提出基于改進(jìn)閾值分割和傅里葉變換的織物疵點檢測算法，將網(wǎng)布圖像進(jìn)行傅里葉變換后得到頻譜圖，再利用Butterworth低通濾波器濾除高頻分量，成功檢測常見織物疵點。ISMAIL N 等［4］通過傅里葉變換獲得頻譜并識別織物圖像疵點，通過結(jié)合傅里葉變換與神經(jīng)網(wǎng)絡(luò)，成功對12 種織物缺陷分類。尉苗苗等［5］提出基于最優(yōu)二維Gabor 濾波器的織物缺陷檢測方法，使用小波變換提取織物紋理特征，提高了檢測實時性。該類方法對圖像噪聲靈敏度低并存在一定局限性，對隨機紋理類紡織品缺陷檢測效果不顯著。

基于結(jié)構(gòu)的方法，將圖像視為由多種紋理單元組合成的整體，通過提取表面紋理特征并分析紋理規(guī)律檢測出缺陷部位。李亞標(biāo)等［6］通過對圖像各通道進(jìn)行二維小波分解，并提取各細(xì)節(jié)子圖能量特征，實現(xiàn)對圖像紋理特征的采集，成功判斷缺陷點是否存在并識別常見缺陷類型。COHEN F S 等［7］提出基于高斯馬爾科夫隨機場模型，對正常無疵點紋理圖像建模，將檢測問題轉(zhuǎn)化為高斯馬爾科夫隨機場模型中最大假設(shè)檢驗問題，該方法能檢測多數(shù)疵點。李仁忠等［8］提出基于EM 算法的高斯混合模型，通過降采樣減弱圖像紋理特征，計算像素后驗概率并準(zhǔn)確判斷出缺陷特征。此類方法只針對紋理規(guī)律性較強紡織品有效，其他情況易受織物背景紋理干擾導(dǎo)致檢測精度低，基于此局限性，該方法僅在早期應(yīng)用較多。

基于統(tǒng)計學(xué)的方法，主要通過提取織物圖像上部分統(tǒng)計量獲得紋理特征，包括一階和二階統(tǒng)計量，其中圖片灰度顏色均值、極差、最值等屬于一階統(tǒng)計量；方差、標(biāo)準(zhǔn)差、協(xié)方差等屬于二階統(tǒng)計量。OZDEMIR S 等［9］提出基于自組織映射的灰度共生矩陣方法，通過將灰度共生矩陣中紋理信息提供給自組織映射實現(xiàn)圖像分類，并融合模糊算法與類別共生矩陣，與經(jīng)典共生矩陣相比擁有更高檢測精度。祝雙武等［10］提出通過織物紋理特征建立二維自相關(guān)函數(shù)的方法，計算紋理周期并劃分成子窗口，該方法對整體紋理特征被破壞的織物檢測效果佳。GNANAPRAKASH V 等［11］將人工神經(jīng)網(wǎng)絡(luò)與灰度共生矩陣相結(jié)合檢測織物缺陷，使用灰度共生矩陣提取紋理特征，檢測出特征明顯的織物缺陷點；該類方法原理簡單、計算方便，但試驗表明：當(dāng)被測圖像噪聲過多且疵點與背景區(qū)別不明顯時，就無法準(zhǔn)確檢測疵點。

基于深度學(xué)習(xí)的方法，已通過卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network，CNN）在圖像識別、目標(biāo)檢測與分割領(lǐng)域取得重要進(jìn)展。BALZATEGUI J 等［12］提出一種太陽能電池板圖像缺陷檢測方法，通過特定U-net 結(jié)構(gòu)一次性獲得缺陷分割圖，與CNN 滑動窗口方法相比優(yōu)化了檢測時 間。XIAO L 等［13］提 出 改 進(jìn) 的 掩 碼RCNNIPCNN 模型，通過殘差網(wǎng)絡(luò)生成金字塔特征和缺陷邊界盒并對其分類，利用FCN 在缺陷邊界盒中生成缺陷掩碼，實現(xiàn)多種缺陷的準(zhǔn)確檢測。YANG H 等［14］提出多尺度特征聚類全卷積網(wǎng)絡(luò)，利用多尺度子網(wǎng)絡(luò)重構(gòu)紋理背景，從輸入圖像中減去紋理背景作為殘差圖像，成功實現(xiàn)跨類織物缺陷檢測。將深度學(xué)習(xí)應(yīng)用在織物缺陷檢測更符合工業(yè)生產(chǎn)實際要求，通過與便攜式移動設(shè)備結(jié)合實現(xiàn)缺陷實時檢測是未來發(fā)展趨勢。

本研究提出一種基于弱監(jiān)督SOD 網(wǎng)絡(luò)的網(wǎng)狀白坯織物缺陷檢測方法。首先，通過草圖標(biāo)注實現(xiàn)網(wǎng)絡(luò)的單輪端到端訓(xùn)練，加入最大池化層，將空間和通道信息分開考慮，減少信息丟失；并通過融合模塊聚合多層次信息，使高級、低級特征和全局信息被更好處理。其次，提出3 種損失函數(shù)作為包含輔助損失和主要損失的總損耗，預(yù)測具有一致目標(biāo)結(jié)構(gòu)的整體顯著區(qū)域；為確保不同尺寸輸入下輸出一致的顯著圖，通過正則化作為自治機制提高模型泛化能力。最后，提出邊界細(xì)化模塊提高邊界定位精度并解決梯度問題和網(wǎng)絡(luò)退化。

1 弱監(jiān)督SOD 改進(jìn)網(wǎng)絡(luò)模型

弱監(jiān)督SOD 改進(jìn)網(wǎng)絡(luò)模型為編碼器-解碼器框架，如圖1 所示，具體包括以下幾個部分。

圖1 弱監(jiān)督SOD 網(wǎng)絡(luò)整體框架圖

其一，為考慮來自特征映射所有信息，輸入后添加步長為2 的最大池化層，并選擇激活度最高元素達(dá)到減少信息損失的目的，使空間維度上所有像素都被充分考慮。

其二，在編碼器層后設(shè)計頭部注意力（Head Attention，HA）模塊［15］，利用空間和通道注意力機制學(xué)習(xí)具有代表性的紡織品表面缺陷特征。

其三，提出融合模塊（Cross Aggregation Module，CAM）應(yīng)用在解碼器每一層，f1、f2、f3分別表示底層細(xì)節(jié)、高層語義特征、全局上下文信息，通過CAM 將這3 種信息交織融合并更好地傳遞到下一層。該模塊能捕獲不同顯著性區(qū)域間關(guān)系，實現(xiàn)多層次特征聚合。

其四，定義3 種損失函數(shù)在訓(xùn)練過程對預(yù)測結(jié)果顯著圖進(jìn)行監(jiān)督，分別為部分交叉熵?fù)p失（Part Cross Entropy Loss，Lpce）、局部顯著相干性損失（Local Saliency Coherence Loss，Llsc）和顯著結(jié)構(gòu)一致性損失（Saliency Structure Consistency Loss，Lssc）；將Llsc和Lpce組成的輔助損失（Auxiliary Loss，Laux）應(yīng)用在每一個子集以便訓(xùn)練并對中間低分辨率顯著圖進(jìn)行監(jiān)督。

其五，提出基于殘差結(jié)構(gòu)的邊界細(xì)化模塊（Boundary Refinement Module，BRM），利用顯著性邊界信息進(jìn)一步細(xì)化邊界，對不同分支特征進(jìn)行加法運算后提高邊界定位精度，主要損失函數(shù)（Dominant Loss，Ldom）由Lpce、Llsc、Lssc3 種損失函數(shù)組成，用于對模型泛化能力和預(yù)測值精度的評估，進(jìn)一步優(yōu)化檢測結(jié)果。

1.1 投影快捷方式

在原始ResNet50 編碼器結(jié)構(gòu)中，由于輸入與輸出維度不匹配，對輸入應(yīng)用投影快捷方式實現(xiàn)元素求和并完成特征映射［16］。ResNet50 網(wǎng)絡(luò)結(jié)構(gòu)中使用的默認(rèn)投影快捷方式如圖2（a）所示。原始投影快捷方式使用步長為2 的1×1 卷積核，由于通道和空間匹配都由1×1 卷積核執(zhí)行，卷積核會在減少兩倍空間大小時丟失75%特征激活，剩余特征激活不具有特定的選擇標(biāo)準(zhǔn)，會導(dǎo)致信息損失和噪聲產(chǎn)生，并對通過網(wǎng)絡(luò)的主要信息流造成負(fù)面影響。

圖2 投影快捷方式

本研究所用投影快捷方式如圖2（b）所示。在進(jìn)行1×1 卷積前添加一個3×3 最大池化，空間維度所有像素都被充分考慮。將空間和通道投影分開，對于空間投影，使用步長為2 的3×3 最大池化，對通道投影使用步長為1 的1×1 卷積核?？臻g投影會考慮來自特征圖的所有信息并選擇激活度最高元素，從而減少信息損失。

1.2 CAM 融合模塊

由于編碼器層在學(xué)習(xí)顯著特征并將其傳到解碼器時某些細(xì)節(jié)特征會被泛化，每一解碼層都使用前一層輸出的底層細(xì)節(jié)、高層語義特征、全局上下文信息作為預(yù)測顯著區(qū)域輸入。通過自學(xué)習(xí)來學(xué)習(xí)每個輸入特征時應(yīng)分配給每個解碼層不同權(quán)重［17］，基于此設(shè)計了一個CAM 模塊，如圖3 所示。3 個輸入進(jìn)行多尺度轉(zhuǎn)換后對應(yīng)不同輸出結(jié)果，其中全局平均池化（GAP）用來保留圖像背景信息，使用一個3×3 卷積層和平均池化層學(xué)習(xí)每個輸入特征，得到權(quán)重后進(jìn)行歸一化處理，如式（1）所示。

圖3 交叉融合模塊

式中：s為自細(xì)化模塊SR（self-refinaved）；w1、w2、w3為權(quán)值；fout為輸出特征。

通過式（1）構(gòu)建了一種更全面的特征表示方式并生成相對精細(xì)的顯著性圖，3 種特征分支交互融合時伴隨著自細(xì)化操作［18］，減少特征提取時的誤差，使改進(jìn)后的SOD 網(wǎng)絡(luò)可以聚合多層次特征。

1.3 BRM 模塊

由于多尺度特征聚合時會造成細(xì)節(jié)丟失［19］，為提高邊界定位精度，提出BRM 模塊將邊界信息構(gòu)建為殘差結(jié)構(gòu)，同時細(xì)化顯著圖中的區(qū)域和邊界區(qū)域，如圖4 所示。其中，w、x、h分別表示長度、寬度和高度。該模塊包括快捷連接和恒等映射，通過短接進(jìn)一步修正預(yù)測結(jié)果，提高目標(biāo)對象的定位并優(yōu)化邊界。恒等映射由兩個3×3 卷積通過映射短接和一個ReLU 激活函數(shù)構(gòu)成，再將輸出的殘差結(jié)構(gòu)結(jié)果與原特征進(jìn)行融合相加，最后輸出邊界增強后的預(yù)測結(jié)果同時保留邊緣信息，解決了梯度問題和網(wǎng)絡(luò)退化。該模塊使檢測結(jié)果去模糊并得到邊界明確的顯著結(jié)果圖。

圖4 邊界細(xì)化模塊

1.4 損失函數(shù)

本研究設(shè)計的網(wǎng)絡(luò)結(jié)構(gòu)中總損耗由輸出對應(yīng)的主要損失（Ldom）和各級輔助損失（Laux）兩部分組成。

1.4.1 部分交叉熵?fù)p失（Lpce）

部分交叉熵?fù)p失作為預(yù)測值與真實標(biāo)簽值之間距離度量，具體來說，解碼器每階段進(jìn)行3×2卷積時將通道壓縮到1 后計算顯著性評分并與偏交叉熵?fù)p失協(xié)同作用，因此部分交叉熵?fù)p失的計算如式（2）所示。

式中：y表示真實信息?表示預(yù)測值?是通過草圖標(biāo)簽所標(biāo)注像素。

1.4.2 局部顯著相干性損失（Llsc）

草圖標(biāo)注時由于存在大量未標(biāo)記像素，僅憑給定草圖標(biāo)簽無法獲取顯著區(qū)域全部信息；此外，SOD 任務(wù)不關(guān)注類別信息，因此本研究引入弱監(jiān)督來得到更優(yōu)化的具有明確邊界的顯著性映射［20］。基于此，設(shè)計了局部顯著相干性損失（Llsc）幫助SOD 網(wǎng)絡(luò)預(yù)測帶有草圖標(biāo)注的平滑顯著性映射；對同一輸入圖像的像素i和j，由于網(wǎng)絡(luò)無法有效區(qū)分接近邊界像素的顯著區(qū)域，這些像素的顯著性評分并不總與其相鄰像素相似，因此在兩像素i和j之間設(shè)計一個基于高斯核帶寬濾波器的相似能量，計算具有相似特征或距離相近的相關(guān)性像素的顯著評分，最終局部顯著相干性損失如式（3）所示。

式中：Ki為像素i周圍K×K核所覆蓋區(qū)域，F(xiàn)(i，j)為濾波器，D(i，j)為兩不同像素i和j之間像素差，用來預(yù)測像素i和j的顯著性評分。

局部顯著相干性損失（Llsc）迫使卷積核中相似像素采取一致的顯著性評分并在訓(xùn)練時進(jìn)一步將標(biāo)記點傳播到整個圖像，此過程中使用部分交叉熵?fù)p失對標(biāo)記點監(jiān)督，從而SOD 網(wǎng)絡(luò)不需要額外信息就能獲得具有有限標(biāo)記的擴大后的顯著區(qū)域。

1.4.3 顯著結(jié)構(gòu)一致性損失（Lssc）

顯著性目標(biāo)檢測模型要求對同一圖像不同比例預(yù)測的顯著性映射圖保持一致，但弱監(jiān)督SOD網(wǎng)絡(luò)對相同輸入下不同尺度顯著性映射預(yù)測時效果不佳，導(dǎo)致模型泛化能力差并在測試集預(yù)測時降低準(zhǔn)確率。因此本研究通過正則化操作提高模型泛化能力并減少過擬合現(xiàn)象，并引入顯著結(jié)構(gòu)一致性損失（Lssc）預(yù)測不同輸入尺度下顯著性映射，顯著結(jié)構(gòu)一致性損失如式（4）所示。通過式（4）改進(jìn)后的弱監(jiān)督SOD 網(wǎng)絡(luò)能學(xué)習(xí)更豐富的目標(biāo)結(jié)構(gòu)信息并增強不同尺度輸入時泛化能力。

2 試驗結(jié)果與分析

2.1 參數(shù)設(shè)置與數(shù)據(jù)集介紹

本試驗使用ResNet50 作為骨干網(wǎng)絡(luò)的基線在TILDA 公開數(shù)據(jù)集上預(yù)訓(xùn)練。為解決隨機小批量樣本優(yōu)化問題，使用隨機梯度下降方法更新模型參數(shù)并優(yōu)化整個網(wǎng)絡(luò)。其中batchsize 為64，動量為0.9，權(quán)值衰減為5×10-4；設(shè)置最大學(xué)習(xí)率為0.05，最小學(xué)習(xí)率為5×10-4作為預(yù)衰減策略對網(wǎng)絡(luò)進(jìn)行300 epoch 訓(xùn)練。由于數(shù)據(jù)集中圖片為768 pixel×512 pixel，訓(xùn)練時將每幅圖片缺陷部分大小裁剪為200 pixel×200 pixel 并進(jìn)行水平隨機翻轉(zhuǎn)后輸入到網(wǎng)絡(luò)中預(yù)測顯著性圖像；使用Pytorch 實現(xiàn)模型，所有試驗都在工控機（Intel Core i7 3.60 GHz，操作系統(tǒng)為Windows10，安裝內(nèi)存為8 GB，CPU 頻率為2.2 GHz）上運行，每預(yù)測1 張缺陷圖像約0.03 s。

模擬實際工業(yè)環(huán)境，選取網(wǎng)狀白坯織物尺寸范圍均在40 目~60 目之間。對6 種常見織物缺陷圖像進(jìn)行采集，分別為斷經(jīng)（broken end）、斷緯（broken weft）、污 點（stain）、破 洞（pole）、打 結(jié)（tie）、裂紋（crack）。輸出紡織品圖像大小統(tǒng)一為256 pixel×256 pixel，該數(shù)據(jù)集所含紡織品圖像共12 000 張，其中斷經(jīng)1 750 張、斷緯2 000 張、污點2 150張、破洞2 200張、打結(jié)1 900張、裂紋2 000張。

2.2 試驗驗證

為驗證本研究算法識別精確率，首先在公開數(shù)據(jù)集TILDA 下對6 種不同網(wǎng)狀白坯織物缺陷進(jìn)行試驗，如圖5 所示。從上至下依次為織物缺陷原圖（以下簡稱原圖）、弱監(jiān)督下缺陷檢測顯著圖（以下簡稱顯著圖）和邊界細(xì)化后的檢測結(jié)果圖（以下簡稱邊界細(xì)化圖）。可以看出，邊界細(xì)化圖與原圖中缺陷形狀高度一致，且缺陷周圍誤檢點較少。對于斷經(jīng)、斷緯和污點3 類缺陷，該算法的顯著圖和邊界細(xì)化圖均具有較好效果，邊界細(xì)化圖與原圖保持高度一致并且缺陷周圍基本不存在誤檢點；但因數(shù)據(jù)集中網(wǎng)狀白坯織物存在透明性且缺陷圖像周圍邊界不明確導(dǎo)致與缺陷具有較高相似，因此對于破洞、打結(jié)、裂紋這3 種缺陷檢測效果不理想，檢測過程中出現(xiàn)細(xì)微誤檢點。

圖5 6 種常見網(wǎng)狀白坯織物顯著性缺陷檢測結(jié)果圖

為進(jìn)一步印證本研究算法的有效性，設(shè)置對比試驗，對不同算法下檢測同一織物缺陷的性能進(jìn)行比較，如圖6 所示。可以看出，MINet、ITSDNet 這兩種算法的邊界細(xì)化圖與原圖像存在較大差異，誤檢點較多；GateNet、DFI、GCPANet 3 種算法的邊界細(xì)化圖與原圖像缺陷也存在細(xì)微差異；本研究算法的邊界細(xì)化圖與原圖高度相似，相對于其他5 種算法具有較高精確率，同時對織物缺陷圖像邊界信息不明確、圖像透明性以及圖像信息的豐富度等問題均有改善，提高檢測準(zhǔn)確率和產(chǎn)品質(zhì)量的同時更加符合農(nóng)業(yè)生產(chǎn)中實際檢測要求。

圖6 同一缺陷在不同顯著性檢測算法下檢測效果

為對本研究模型更好地定量評估，使用平均絕對誤差（MAE）、召回率（R）、精確率（P）、Emeasure和F-measure五種評價指標(biāo)度量模型性能。表1 為本研究算法和GCPANet［22］、GateNet［23］、ITSDNet［24］、DFI［25］、MINet［26］、PICANet［27］6 種 不同算法在TILDA 數(shù)據(jù)集和自采數(shù)據(jù)集（Ours）實際兩種數(shù)據(jù)集下，對網(wǎng)狀白坯織物缺陷檢測中各性能指標(biāo)的定量比較。從表1 中可知，本研究算法的R、E-measure和F-measure在兩種數(shù)據(jù)集上分別達(dá)到92%、93%、91%以上，說明本研究算法取得了較好的檢測結(jié)果且漏檢率低；同時MAE指標(biāo)相較于其他6 種算法值最小，說明本研究算法模型解決了數(shù)據(jù)過擬合現(xiàn)象，預(yù)測準(zhǔn)確且具有較好魯棒性。

表1 本研究算法與其他算法在兩種數(shù)據(jù)集上各性能指標(biāo)定量比較 單位：%

為進(jìn)一步評估本研究算法在同一數(shù)據(jù)集下檢測效果，使用MAE、R、E-measure和F-measure四種評價指標(biāo)對本研究所采集實際農(nóng)業(yè)場景中網(wǎng)狀白坯織物缺陷數(shù)據(jù)集的6 種常見缺陷進(jìn)行驗證，如表2 所示。從表2 中可知，本研究算法中6 種缺陷的MAE指標(biāo)均低于4.8%，召回率R指標(biāo)達(dá)到92%以上，E-measure和F-measure指標(biāo)也均達(dá)到93%和91%以上。綜上所述，本研究算法對6 種缺陷檢測效果均達(dá)到了較好水平，預(yù)測準(zhǔn)確且具有較高魯棒性。

表2 本研究算法對6 種缺陷檢測的評價指標(biāo)單位：%

通過消融試驗驗證添加各模塊后對網(wǎng)絡(luò)性能的影響，評價指標(biāo)選取MAE，消融試驗結(jié)果如表3 所示。由表3 可知，添加CAM 模塊后，HA 模塊與CAM 模塊融合取得了較好效果，在添加Lssc和Llsc后，MAE得到顯著改進(jìn)，最后加入BRM 模塊對邊界細(xì)化后得到了最好的效果。通過消融試驗可知，使用本研究所提出的改進(jìn)后基于弱監(jiān)督SOD 顯著性算法檢測效果最佳。

表3 消融試驗

3 結(jié)論

在本研究中，針對網(wǎng)狀白坯織物缺陷檢測過程中由于傳統(tǒng)人工檢測效率低、誤檢率較高等問題，提出一種基于弱監(jiān)督SOD 網(wǎng)絡(luò)目標(biāo)檢測算法。通過草圖標(biāo)注進(jìn)行端到端訓(xùn)練，并在快捷投影方式中添加最大池化層，使所有空間信息都被充分考慮。此外，由于不同層次特征特點不同，設(shè)計一個融合模塊整合不同層次特征，并輸出織物圖像顯著圖，然后通過部分交叉熵?fù)p失作為預(yù)測值與真實標(biāo)簽值之間距離度量，提出局部顯著性相干損失對未標(biāo)記點進(jìn)行監(jiān)督和顯著性結(jié)構(gòu)一致性損失，提高模型泛化能力，通過3 種損失函數(shù)衡量模型魯棒性。最后通過邊界細(xì)化模塊，提高邊界定位精度，使檢測到的缺陷顯著圖更加清晰。

研究表明，該算法在公開數(shù)據(jù)集和本研究所采集數(shù)據(jù)集上均能對缺陷完整檢測，模型質(zhì)量高且兼顧了魯棒性；E-measure和F-measure指標(biāo)也均達(dá)到93%和91%以上，說明漏檢率和誤檢率較低；但對于相似度較高、分辨率較低且背景復(fù)雜的圖像，還存在一定問題，需在后續(xù)研究中繼續(xù)優(yōu)化算法，并擴充數(shù)據(jù)集，提高檢測效果，擴大網(wǎng)狀白坯織物的尺寸范圍，并探究密度和厚度對檢測結(jié)果的影響。