科研之友
微信
新浪微博
Facebook
分享链接
摘要
基于传统图像处理技术的印刷缺陷检测方法鲁棒性差，而基于深度学习的目标检测方法则不完全适用于印刷缺陷检测任务的问题。为解决上述问题，将模板匹配方法中的对比思想与深度学习中的语义特征结合，提出用于印刷缺陷检测任务的深度对比网络（CoNet）。首先，提出基于孪生结构的深度对比模块（DCM）在语义空间提取并融合检测图像与参考图像的特征图，挖掘二者间的语义关系；然后，提出基于非对称双通路特征金字塔结构的多尺度变化检测模块（MsCDM），定位并识别印刷缺陷。在公开的印刷电路板缺陷数据集DeepPCB与立金缺陷数据集上，CoNet的平均精度均值（mAP）分别为99.1%和69.8%，与同样采用变化检测思路的最大分组金字塔池化（MP-GPP）和变化检测单次检测器（CD-SSD）相比，分别提升了0.4、3.5个百分点和0.7、2.4个百分点，CoNet的检测精度更高。此外，当输入图像分辨率为640×640时，CoNet的平均耗时为35.7 ms，可见其完全可以满足工业检测任务的实时性要求。
- 单位
