基于深度学习的陶瓷小目标缺陷检测算法及实验

缺陷检测在工业生产过程中是不可或缺的一步,目前人工检测存在效率低及成本高的问题,本文提出了一种基于深度学习的陶瓷小目标缺陷检测算法。针对小目标缺陷,本文算法首先添加切片预训练层,降低大尺寸图像对显卡内存资源的损耗;其次为小目标缺陷的检测添加小目标检测层,并去除大目标检测层,以减少参数量;另外提出一种基于MLCA(Mixed local channel attention)的特征选择融合模块,提高对小目标缺陷的感知能力;最后设计了一种共享参数的检测头,进一步降低算法的可学习参数数量。通过与基线模型对比,以陶瓷杯为例,本文算法的检测精度提升了20.9%,结合研制的检测软件及实验平台,陶瓷杯检测效率提升了46.9%。