基于Cascade RCNN的热轧带钢表面缺陷检测.pdf

2023 年第 8 期仪 表 技 术 与 传 感 器Instrument Technique and Sensor收稿日期:2022-12-11基于 Cascade RCNN 的热轧带钢表面缺陷检测陆 尧,薛 林,王云森,王 豪(大连理工大学机械工程学院,辽宁大连 116024)摘要:在工业生产过程中,带钢表面产生的缺陷影响其质量和使用性能,需要对表面缺陷进行检测,为此提出了基于深度学习的缺陷检测模型 Cascade RCNN。首先,对骨干网络进行改进,将标准卷积替换为可切换空洞卷积,在不增加参数量的情况下,增大输出单元的感受野。其次,改变特征金字塔FPN,结构不变的情况下添加了自上而下的连接方式,同时使用特征上采样算子 CARAFE 替换最邻近上采样,提高了上采样精度和定位精度。最后,将损失函数换为 Focal Loss,解决目标检测过程中正负样本不平衡问题。结果显示:通过以上方法的改进,检测精度有大幅提升,平均均值精度提高了 7.61%,达到 77.82%,各类缺陷的检测精度都得到了提高;与其他检测模型对比,模型的检测能力得到了提高,采用的改进方法有一定的应用价值。关键词:深度学习;缺陷检测;Cascade RCNN;热轧带钢;特征上采样算子;Focal Loss中图分类号:TP391 文献标识码:A 文章编号:1002-1841(2023)08-0101-06Surface Defect Detection of Hot Rolled Strip Based on Cascade RCNNLU Yao,XUE Lin,WANG Yunsen,WANG Hao(School of Mechanical Engineering,Dalian University of Technology,Dalian 116024,China)Abstract:Defects on the surface of the strip will affect its quality and serviceability during industrial production.Detection of surface defects is necessary.Therefore,a defect detection model based on deep learning,Cascade RCNN,was proposed.Firstly,the backbone network was improved by replacing the standard convolution with switchable void convolution,which increased the receptive field of the output unit without increasing the number of parameters.Secondly,the feature pyramid FPN was changed,and the top-down connection mode was added without changing the structure.Meanwhile,the feature upsampling operator CA-RAFE was used to replace the nearest upsampling,which improved the upsampling accuracy and positioning accuracy.Finally,the Focal Loss replaced by loss function was used to solve the problem of unbalanced positive and negative samples.The results show that the detection accuracy is greatly improved by the improvement of the above methods.The mean average precision was in-creased by 7.61%,which can reach 77.82%,and the detection accuracy of all kinds of defects was improved.Compared with oth-er detection models,the detection ability of the model is improved,and the improved method has certain application value.Keywords:deep learning;defect detection;Cascade RCNN;hot rolled steel strip;feature upsampling operator;Focal Loss0 引言在制造业中,热轧带钢是很多工业产品不可或缺的原材料,广泛应用于汽车、电机、造船等领域。热轧是生产过程中重要一步,热轧过程包括加热、轧制、冷却等环节,得到的热轧带钢工艺性能好、包容覆盖能力强。在生产过程中,由于各种因素的影响,带钢表面会产生缺陷,影响质量和使用性能,因此需要对表面缺陷进行检测,找出不合格品。人工检测表面缺陷时,需要进行标记、记录等操作,而带钢颜色单一,容易导致人眼疲劳,劳动强度大,检测的效率和精度低1,严重制约生产效率和品质,需要改进检测方法。近年来,深度学习的研究不断深入,在目标检测中被广泛运用 2。叶欣3对 YOLOv4 改进,借鉴CSPNet 使用 CSP 结构并组合残差结构,使用 Mish 激活函数和自适应空间特征融合,提高模型的特征融合能力和模型的检测精度;高志宽4提出基于内容与边界融合的显著目标检测方法,并且改进了网络训练损失函数;吴德蓝5用 双 阈 值 分 割 算 法 以 及 Marr-Hildreth 边缘检测算法提取的小轮廓对应框的中心点作为 anchor 来改进 RPN,提高 Faster RCNN 检测算法的检测速率;王梓洋6提出了全卷积网络的端到端交叉互补时空特征融合网络(CCNet),提高模型检测速度和精度;S.N.Shivappriya 等7提出 AAF-Fast RCNN方法,利用激励函数的傅里叶级数和线性组合更新损101 仪 表 技 术 与 传 感 器第 8 期失函数,具有收敛性好、有界方差清晰等优点。以上检测模型和改进方法针对所检测的对象都取得了良好的检测结果,但是在还存在数据集包含的数据过少、极大尺寸和极小尺寸的缺陷和缺陷不明显等问题,需要进行改进。针对上述问题,使用深度学习检测模型 Cascade RCNN 并对其优化,为了增大感受野,首先使用可切换空洞卷积替换标准卷积,同时提高定位精度;然后增加特征金字塔的连接路线,并且使用特征上采样算子,根据输入特征指导重组过程,同时整个算子计算量较小;最后,利用损失函数Focal Loss 解决样本分类不均衡问题。1 基型选择在深度学习中,目标检测的代表算法可分为两类,分别为 RCNN 系列和 YOLO 系列。为了找出合适的检测模型,对目标检测模型进行了选择,首先使用YOLO V38和 Faster RCNN 2 种目标检测算法训练9,选择合适的参数,通过对比训练结果,发现 YO-LO V3 只能学习到简单缺陷,对较小缺陷和不明显缺陷检测效果差,甚至还会出现严重漏检情况。Faster CNN 法检测速度略低于 YOLO V3,但是对于带钢缺陷检测效果更好,故选择 Faster RCNN 系列算法作为带钢缺陷检测的基础网络10,其结构如图 1 所示。图 1 Faster RCNN 结构图Faster RCNN 组成为:(1)特征提取网络,用于得到特征图,然后生成region proposal network(RPN)层并取每个框的坐标Proposal;(2)RPN 模块,生成候选框,包含两部分任务,一部分是分类,判断所有预设锚框属于正样本还是负样本(即锚框内是否有目标,二分类),另一部分是 boun-ding box 回归,用于修正锚框得到对应的较准确的Proposal;(3)region of interest(RoI)Pooling,用于收集RPN 生成的特征图,并从特征图中提取出来生成 Pro-posals Feature Maps 送入全连接层;(4)最后进行分类和回归,得到检测框最终的精确位置。Faster RCNN 网络训练过程中,预测框与标注框的交并比大于阈值被定义为正样本(positive),小于阈值被定义为负样本(negative)。在训练过程中,采取小阈值会产生背景噪声框,导致较多误检,采用较大阈值时,正样本数量呈指数下降,模型容易过拟合,故阈值选取成为目标检测的难点,选择合适的阈值至关重要。为解决上述问题,选用基于 Faster RCNN(图 2(a)的多阶段目标检测基础架构网络(图 2(b)Cas-cade RCNN。图 2 Faster RCNN 与 Cascade RCNNI 是输入图片,Conv 是特征提取网络,Pool 是 ROI Pooling 层,C 是分类层,B 是边框回归层,H 是 ROI Head。与 Faster RCNN 相比,Cascade RCNN 包含多级级联器,然后通过级联器,不断提高候选框的交并比阈值,降低了错误的匹配出现的概率,并且提高了精度。在检测过程中,有多个检测头,把它们串联在一起,前一个的输出也是后一个的输入,存在依赖关系;同时,从前到后阈值得到不断修正,并且阈值逐渐提高,最终样本的质量和模型训练效果得到提高11。201 第 8 期陆尧等:基于 Cascade RCNN 的热轧带钢表面缺陷检测 2 模型改进虽然相对于 YOLO V3 和 Faster RCNN,Cascade RCNN 的检测精度明显更好,但是检测精度提高较低,因此需要针对数据集的特点和工业应用进行改进。2.1 主干网络改进神经网络的组成为神经元,输入不同神经元,赋予其权重,然后再经过激活函数,得到不同的输出。ReLU 激活函数12如式(1)所示。图像卷积是指对图像和滤波矩阵做内积,卷积神经网络(convolutional neural networks,CNN)13包含卷积运算,用于图像分类和物体识别。ReLU=max(0,x)(1)式中 x 为输入。神经网络的学习能力会随着网络层数增加而变强,但是层数过多时学习效率会变低,同时准确率降低,残差网络能够解决这些问题。残差网络(residual network,ResNet)14由两部分组成,是对 CNN 的优化,其结构如图 3 所示。其中残差部分是将输入 x 进行卷积、池化和归一化等操作得到输出 F(x),另一部分是跳跃连接,输出 F(x)与输入相加得到输出 G(x),计算公式见式(2)。图 3 ResNet 结构图G(x)=F(x)+x(2)基础模型的骨干网络是 ResNet 50,由 5 个卷积组组成,每个卷积组有1 个或多个基本的卷积运算过程,ResNet 50 从输入到输出共 50 层。用 ResNet 50 得到特征图。特征图的质量会直接影响后续缺陷的检测结果,因此需要针对热轧带钢缺陷的特征对其优化。热轧带钢缺陷的尺寸大小差别大,存在极大和极小的缺陷,根据热轧带钢缺陷特征,对卷积操作进行改进,使用可切换空洞卷积(switchable atrous convoltion,SAC)15,特征提取能力得到了强化,提高了检测精度,如图 4 所示。SAC 模块包括 2 个全局上下文网络和主要特征提取模块。全局上下文模块通过全局平均池化层获取特征图每一通道上特征的平均值,用其替代原值,而后与输入特征图叠加,将全局信息添加到特征图中。该算法使用 Switch 路径得到的池化结果 S(x)和1-S(x)对不同空洞卷积得到特征图分别加权,最终相加得到输出特征图,计算过程如式(3)所示。图 4 可切换空洞卷积结构Conv(x,w,1)=S(x)Conv(x,w,1)+Conv(x,w+w,r)(3)式中:S(x)为切换操作;Conv(x,w,r)为卷积运算;x为输入特征图;w 为权重;r 为空洞率。2.2 特征金字塔优化Cascade RCNN 是原图经过特征提取网络之后,在顶层特征图进行目标识别,但是小目标和不明显缺陷信息容易被多重池化而被淹没,在特征图上得不到缺陷信息。FPN 在上层特征图上识别大尺寸缺陷,对于小尺度特征图,虽然有一些定位信息,但是在检测过程中不准确,FPN 结构如图 5 所示。使用 PAFPN 解决这一问题,它是基于 FPN 的改进,基本框架不变,但是在连接上进行优化提升,增加从上而下的连接方式,这个连接用于减短从底层与上面层的信息传递的路程,提升了 FPN 定位精度16。在 FPN 中采用最近邻上采样方法,由图像的像素点的空间位置得到其上采样核,因此特征图的语义信息并没有被使用,而且感知域通常都很小。特征上采样算子(content-aware reassembly of features,CARAFE)具有较大的感受野,能更好地利用周围的语义信息,根据输入进行上采样,没有引入过多的参数和计算量。CARAFE 由 2 部分组成,分别是上采样核预测模块(kernel prediction module,KPM)和特征重组模块(content-aware reassembly module,CRM)17。KPM 过程为:特征图通道压缩、内容编码及上采样核预测、上采样核归一化。CRM 过程为:得到的特征图中,对每个位置进行映射,与输入特征图对应,选出相应大小的区域,和预测出的上采样核作点积,得到输出值。301 仪 表 技 术 与 传 感 器第 8 期图 5 FPN 与 PAFPN 结构2.3 损失函数 Focal Loss交叉熵损失函数用来计算实际输出与期望输出的差值,其计算过程如式(4)所示:H(p,q)=-ni=1p(xi)logq(xi)+1-p(xi)log1-q(xi)(4)式中:H(p,q)为损失函数;p、q 分别为期望和实际输出的概率分布;xi为随机变量;n 为随机变量个数。目标检测算法得到定位目标时会生成大量的 an-chor box,而图片中真实的目标(正样本)个数很少,大量的 anchor box 处于背景区域(负样本),因此真实的目标和背景区域数量极不平衡。损失函数 Focal Loss可以解决这一问题18,整体缩放 Loss,在缩放程度上易分类样本比难分类样本更大,因而在损失函数中,难分类样本权重发生了变化,难分类样本更明显,模型更专注于难分类的样本,损失函数 Focal Loss 计算如式(5)所示。FL=-(1-p)logpy=1-(1-)plog(1-p)其他(5)式中:平衡正负样本;(1-p)为调节因子;为可调节的聚焦参数,0;y 为样本标签值;p 为判断正样本(y=1)的概率,p0,1。在 Focal Loss 中,对应正样本(占比少的类)的权重,且一般值较小;占主导地位,随着 的增大,要相应减小。3 算法试验与测试3.1 数据图像采集与预处理数据集来自东北大学,热轧带钢存在6 种缺陷,如图 6 所示,缺陷数量统计如图 7 所示。数据集存在数据分布不均匀、部分缺陷特征不明显和数据量少等问题,通过图像随机裁剪拼接、图像镜像反转、旋转、滤波模糊等操作,提高了图像的数据量和数据质量。3.2 模型配置及训练实验环境为 Windows 操作系统,使用 pytorch 框图 6 缺陷图架,GPU 为 NVIDIA GeForce RTX 3080Ti,其内存为 12 GB,加速库为 CUDA 11.1。图 7 缺陷数量统计3.3 评价指标评价指标为 mean average precision(mAP),先要得出 true positives(TP)、true negatives(TN)、false posi-tives(FP)、false negatives(FN),TP 为被模型识别正确且被判断为正样本的样本数量,TN 为被模型识别正确且被判断为负样本的样本数量,FP 为模型识别错误,样本是负样本但是被识别为正样本的样本数量,FN 为模型识别错误,样本是正样本但是被识别为负样本的样本数量。Precision 即精度,指的是分类器认为是正类并且401 第 8 期陆尧等:基于 Cascade RCNN 的热轧带钢表面缺陷检测 确实是正类的部分占分类器认为是正类的比例,计算如式(6)所示。Precision=TPTP+FP(6)Recall 即召回率,指的是分类器认为是正类并且确是正类的部分占所有确实是正类的比例,计算如式(7)所示。Recall=TPTP+FN(7)每个分类都可以得到 Precision-Recall 曲线,它下面的阴影部分的面积就是该类平均精度(average pre-cision,AP)的值,如图 8 所示,计算公式如式(8)所示。图 8 AP 曲线p(r)即 Precision,r 即 Recall。AP=10p(r)dr(8)如果置信度设置的高,预测的结果和实际情况就很符合,如果置信度低,就会有很多误检测,需要将二者进行结合计算。最终对所有的 AP 值进行求平均,求得平均均值精度(mean average precision,mAP),计算如式(9)所示。mAP=mi=1APim(9)式中:m 为缺陷的种类;APi为第 i 种缺陷的 AP 值。4 实验及结果分析根据改进方法,分别进行实验,同时调整参数,用相同的训练集进行训练,得到对应的权重文件,最后用相同测试集,分别进行检测。训练集的检测结果如图 9 所示。YOLO V3 与 Faster RCNN、Cascade RCNN 检测结果对比如表 1 所示。与 YOLO V3 相比,Faster RCNN的 mAP 值提升了 11.54%,检测结果显著提升,而且检测速度相差不大,能够满足工业需求。Cascade RC-图 9 检测结果NN 与 Faster RCNN 相比,mAP 值提升了 3.19%,检测能力得到了提升,虽然检测速度降低,不过仍能满足生产时的需求。表 1 3 种基础网络检测结果对比实验基础网络mAP/%检测速度/(张s-1)1YOLO V355.48502Faster RCNN67.02373Cascade RCNN70.2129通过4 组实验,对改进网络进行测试,得到的结果如表 2 所示。表 2 不同实验及其结果实验可切换空洞卷积特征金字塔上采样核损失函数mAP/%4使用未使用未使用未使用72.385使用使用未使用未使用74.166使用使用使用未使用76.357使用使用使用使用77.82 由表2 中的检测结果显示,改进后的模型的检测能力不断得到提升,经过 4 次改进,mAP 值提升了 7.61%,与原始的 Faster RCNN 相比,提升了 10.8%;与 YOLO V3 相比,mAP 值提升了22.34%。采用的可切换空洞卷积,增大了感受野,使得mAP 值提升了2.17%,效果明显;PAFPN 增加了新的连接方式,mAP 值提升了 1.78%;改变特征金字塔的上采样算子,使用特征上采样算子 CA-RAFE,mAP 值增加了 2.19%;最后使用损失函数 Focal Loss 解决数据不平衡问题,mAP 值达到 77.82%。在这些改进方法中,mAP 值最少提升了 1.47%,最多提升了2.19%,排除了实验随机性对结果的影响。YOLO V3、原始 Cascade RCNN 以及改进的 Cas-cade RCNN 中,不同缺陷的 AP 值如表 3 所示。501 仪 表 技 术 与 传 感 器第 8 期表 3 不同缺陷的 AP 值网络模型缺陷种类crroinpsscpaYOLO V30.310.710.710.230.470.90原始 CascadeRCNN0.420.500.770.790.850.89改进 CascadeRCNN0.460.640.870.880.900.92 表 3 中,对于改进的 Cascade RCNN,斑块(pa)、划痕(sc)、麻点(ps)和夹杂(in)4 种缺陷的 AP 值都超过了 87%,最高的达到了 92%,检测结果较好,但是对于裂纹(cr)和氧化皮(ro),AP 值分别为 46%和 64%,检测结果较差,严重影响了模型的检测精度。在图像处理和网络结构改进中,这 2 种缺陷的检测能力得到了提升,AP 值分别提升了 4%和 14%,但是还需要改进网络,以此提升对这 2 种缺陷的检测能力,进而使整体检测效果得到改善。与其他的检测结果对比如表 4 所示2,19,改进的 Cascade RCNN 取得了较好的结果。表 4 与其他模型检测结果对比检测模型mAP/%YOLO V3-SPP76.5Swin Transformer+Multi-stage R-CNN72.8Cascade RCNN77.8 实验证明,经过上述方法对模型改进优化,模型检测精度得到提高。5 结束语针对人工检测效率低和精度差,以及数据集存在数据分布不均匀、部分缺陷特征不明显和数据量少等问题,提出了改进的 Cascade RCNN 模型,先对数据集进行处理,再将可切换空洞卷积、PAFPN、特征上采样算子和损失函数 Focal Loss 等加入模型。为了验证改进后模型是否有效,用测试集检测,对效果进行评价。研究结果表明,检测精度与原始的网络相比,得到了很大的提升;与已有的检测网络相比,检测精度也得到了一定程度的提高,显示出本方法的优越性,为工业现场的自动化检测提供了可靠支撑。然而对于部分缺陷,检测效果并不好,在接下来的工作中,从图像处理和模型处理2 个方面,继续进行改进。参考文献:1 HE Y,SONG K C,MENG Q G,et al.An end-to-end steel surface defect detection approach via fusing multiple hierar-chical features J.IEEE Transactions on Instrument and Measurement,2020,69(4):1493-1504.2 李丹,王慢慢,刘俊德,等.基于轻量级卷积神经网络的带钢表面缺陷识别J.仪器仪表学报,2022,43(3):240-248.3 叶欣.基于深度学习的热轧带钢表面缺陷检测算法研究D.武汉:武汉科技大学,2021.4 高志宽.基于多特征融合的显著目标检测方法研究D.南京:南京信息工程大学,2022.5 吴德蓝.基于改进 Faster R-CNN 的肝脏 CT 图像小病灶检测D.南宁:广西大学,2022.6 王梓洋.基于互补信息融合的显著性目标检测方法研究D.南京:南京信息工程大学,2022.7 SHIVAPPRIYA S N,PRIYADARSINI M J P,STATECZNY A,et al.Cascade object detection and remote sensing object de-tection method based on trainable activation functionJ.Remote Sens,2021,13(2):1-19.8 REDMON J,DIVVALA S,GIRSHICK R,et al.You only look once:unified,real-time object detectionC.Proceedings of the IEEE Conference On Computer Vision and Pattern Rec-ognition,2016:779-788.9 ZHOU H,JANG B,CHEN Y,et al.Exploring faster RCNN for fabric defect detectionC.2020 Third International Con-ference on Artificial Intelligence for Industries(AI4I).IEEE,2020:52-55.10 CHEN P R,HANG H M,CHAN S W,et al.DSNet:an effi-cient CNN for road scene segmentationJ.APSIPA Trans-actions on Signal and Information Processing,2020,9(27):424-432.11 CAI Z,VASCONCELOS N.Cascade R-CNN:delving into high quality object detectionC.Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition,2018:6154-6162.12 张焕,张庆,于纪言.激活函数的发展综述及其性质分析J.西华大学学报(自然科学版),2021,40(4):1-10.13 SAINATH T N,MOHAMED A R,KINGSBURY B,et al.Deep convolutional neural networks for LVCSRC.Proceedings of the 2013 IEEE International Conference on Acoustics,Speech and Signal Processing.Vancouver,2013:8614-8618.14HE K M,ZHANG X Y,REN S Q,et al.Deep residual learning for image recognitionC.Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition,2016:770-778.15QIAO S,CHEN L C,YUILLE A.Detectors:detecting objects with recursive feature pyramid and switchable atrous convolu-tionC.Proceedings of the IEEE/CVF Conference on Com-puter Vision and PatterSn Recognition,2021:10208-10219.(下转第 126 页)601 仪 表 技 术 与 传 感 器第 8 期不规则缺陷的检测能力,因此和原 YOLOv5 相比,整体召回率提高 0.9%,准确率也有小幅增加。(2)MSSPP 可以针对性地提高特殊尺度的响应,因此准确率在方案 1 的基础上提高了 2.2%,召回率提高了 1.1%,全类平均精度提高了 1.2%。(3)ConvNext 模块和 RFB 模块改善了模型中间层对多尺度特征的提取能力,准确率、召回率和全类平均精度在方案 2 基础上分别提升 0.59%、0.5%、0.7%。(4)难分样本重检策略通过剔除错检目标,提高了低置信度目标的准确率,准确率在方案 3 基础上提高了 0.41%,召回率提高了 0.5%,全类平均精度提高了 0.9%。4 结论针对芯片缺陷的尺度变化大、类内特征不统一的问题,提出了基于 YOLOv5 的目标检测框架。通过边缘信息数据增强,丰富输入特征,提高网络对不规则缺陷的定位能力;采用 MSSPP 模块自适应数据集中多尺度缺陷,增强类内高维特征的聚类能力,提升模型识别精度;引入 ConvNext 与 RFB 模块,根据缺陷分布情况适当微调,强化模型的特征提取能力;设计了难分样本重检策略,利用芯片缺陷易检难分的特性,增强网络对缺陷目标的分类性能。实验证明:本文算法各项指标高于经典目标检测算法,为芯片缺陷检测提供了更高鲁棒、更优性能的检测方案。参考文献:1 杨桂华,唐卫卫,卢澎澎,等.基于机器视觉的芯片引脚测量及缺陷检测系统J.电子测量技术,2021,44(18):136-142.2 魏鸿磊,蒋志留,徐家恒,等.芯片载带缺陷的机器视觉检测方法J.包装工程,2022,43(11):183-188.3 赵晨阳,张辉,廖德,等.基于注意力机制与混合监督学习的钢轨表面缺陷检测模型J.计算机科学,2022,49(S2):488-493.4 吴凤和,崔健新,张宁,等.基于改进 YOLOv4 算法的轮毂表面缺陷检测J.计量学报,2022,43(11):1404-1411.5 于豪,蒋锦霞,赖晓翰,等.基于自适应感受野的电力设备表面缺陷检测方法J/OL.系统仿真学:1-82023-04-20.DOI:10.16182/j.issn1004731x.joss.22-0278.6 赵永强,饶元,董世鹏,等.深度学习目标检测方法综述J.中国图象图形学报,2020,25(4):629-654.7 REDMON J,DIVVALA S,GIRSHICK R,et al.You Only Look Once:Unified,Real-Time Object DetectionC.Com-puter Vision&Pattern Recognition.IEEE,2016.8 WEI L,DRAGOMIR A,DUMITRU E,et al.SSD:Single Shot MultiBox DetectorC.Computer Vision.ECCV,2016.9 许德刚,王露,李凡.深度学习的典型目标检测算法研究综述J.计算机工程与应用,2021,57(8):10-25.10 REN S,HE K,GIRSHICK R,et al.Faster R-CNN:towards real-time object detection with region proposal networksJ.IEEE Transactions on Pattern Analysis and Machine Intelligence,2017,39(6):1137-1149.11 周天宇,朱启兵,黄敏,等.基于轻量级卷积神经网络的载波芯片缺陷检测J.计算机工程与应用,2022,58(7):213-219.12 李可,吴忠卿,吉勇,等.改进 U-Net 芯片 X 线图像焊缝气泡缺陷检测方法J.华中科技大学学报(自然科学版),2022,50(6):104-110.13 罗月童,卞景帅,张蒙,等.基于卷积去噪自编码器的芯片表面弱缺陷检测方法J.计算机科学,2020,47(2):118-125.14 LIN T Y,DOLLAR P,GIRSHICK R,et al.Feature pyramid networks for object detectionJ.IEEE Computer Society,2017,99:2999-3007.15 LIU S,QI L,QIN H F,et al.Path Aggregation Network for Instance SegmentationC.IEEE,2018:8759-8768.16 王新宇,蒋三新.芯片缺陷检测综述J.现代制造技术与装备,2022,58(5):94-98.作者简介:郭伟峰(2000),硕士研究生,主要研究方向为计算机视觉。E-mail:2215092161 赵倩(1969),博士,副教授,主要研究方向为机器视觉。E-mail:zhaoqian (上接第 106 页)16 LIU S,QI L,QIU H,et al.Path aggregation network for in-stance segmentationC.Proceedings of the IEEE Confer-ence on Computer Vision and Pattern Recognition,2018:8759-8768.17 WANG J,CHEN K,XU R,et al.Carafe:Content-aware reas-sembly of featuresC.Proceedings of the IEEE/CVF Inter-national Conference on Computer Vision,2019:3007-3016.18 LIN T Y,GOYAL P,GIRSHICK R,et al.Focal loss for dense object detectionJ.IEEE Transactions on Pattern A-nalysis and Machine Intelligence,2017,42(2):318-327.19 于波,张新凯,王卫.基于 STMR-CNN 的热轧带钢表面缺陷检测J.计算机系统应用,2022,31(10):122-133.作者简介:陆尧(1996),硕士研究生,主要研究领域为深度学习、图像处理。E-mail:luyaoxg 薛林(1986),副教授,博士,硕士生导师,主要研究领域为工业图像处理、机器视觉、无损检测、高精度工业CT、智能检测装备。E-mail:621