基于改進(jìn)YOLO模型的工業(yè)鋁片缺陷檢測*

徐紅牛,余華云

(長江大學(xué)計(jì)算機(jī)科學(xué)學(xué)院,荊州 434023)

0 引言

鋁合金、鋼材等材料,板材與卷材的表面劃痕直接影響到產(chǎn)品最終品質(zhì)與定價(jià),個(gè)別劃痕甚至?xí)绊懴乱粋€(gè)階段產(chǎn)品的安全可靠性,所以對于工業(yè)檢測中的劃痕檢測一直是非常關(guān)鍵的環(huán)節(jié)。在生產(chǎn)流水線中,無論板材、卷材的表面劃痕檢測目前依然依靠質(zhì)檢員目檢完成,工作環(huán)境要么是在生產(chǎn)線上,要么以吊裝抬升,工人站立于板材下方檢測兩種方式,目檢不僅效率低下,還存在生產(chǎn)安全隱患,亟需利用人工智能技術(shù)手段將智能設(shè)備部署于生產(chǎn)線上,提高人工智能表面檢測范圍,將人工目檢作為輔助性檢測手段,提高檢測效率與質(zhì)量,保障生產(chǎn)安全。

目前,基于深度學(xué)習(xí)的工業(yè)鋁片缺陷檢測網(wǎng)絡(luò)可在結(jié)構(gòu)上劃分為以Faster R-CNN[1]為代表的兩級網(wǎng)絡(luò)和以SSD[2]或YOLO[3-6]系列為代表的一級網(wǎng)絡(luò)。由于多尺度特征提取和檢測速度快等優(yōu)點(diǎn),單階段檢測方法更適合滿足上述要求。YOLOv4以one-stage檢測方法為代表,通過引入CSPNet[7]結(jié)構(gòu)和PANet[8]結(jié)構(gòu)在兩個(gè)特征金字塔中融合相應(yīng)的尺度特征,增強(qiáng)不同尺度目標(biāo)的檢測能力。

針對復(fù)雜多樣的工業(yè)鋁片檢測問題,DING等[9]提出了一種表面的缺陷檢測網(wǎng)絡(luò)(TDD-Net),該方法的特征金字塔融合了多尺度和金字塔層次結(jié)構(gòu),檢測精度達(dá)到98.90%,缺點(diǎn)是檢測速度較低;程婧怡等[10]提出一種基于改進(jìn)YOLOv3的缺陷檢測算法,融合淺層特征與深層特征,該方法適用于尺寸小和特征模糊的目標(biāo)平均檢測精度為67.64%;ZHAO等[11]在YOLOv4架構(gòu)的基礎(chǔ)上進(jìn)行創(chuàng)新,在模型頸部添加特征金字塔網(wǎng)絡(luò)模塊,提高了對金屬材料表面缺陷的檢測精度;李慶黨等[12]提出了基于YOLOv3的鋼板缺陷檢測方法,采取了增加尺度的方法來提高缺陷檢測的精度;李澄非等[13]提出的基于改進(jìn)的YOLOv4的鋁材表面缺陷檢測方法;LIU等[14]在偏振器檢測網(wǎng)絡(luò)中采用深度可分離卷積代替全卷積,得到的模型大小為290 kb,每幅圖像的時(shí)間為127 ms;陳國防等[15]基于數(shù)據(jù)增強(qiáng)深度學(xué)習(xí)的蘋果花檢測方法研究,采取了離線在線兩種方式增強(qiáng)數(shù)據(jù)集的泛化能力;劉浩等[16]對YOLOv3算法進(jìn)行改進(jìn)并應(yīng)用在機(jī)床刀具表面缺陷檢測上,代替現(xiàn)有人工目檢對刀具進(jìn)行缺陷檢測。

由于原YOLOv4網(wǎng)絡(luò)結(jié)構(gòu)復(fù)雜、模型體積大、硬件性能高,無法滿足實(shí)際工業(yè)檢測。如果能夠優(yōu)化檢測速度和精度,可以降低系統(tǒng)的設(shè)備要求和投資成本,更好地?cái)U(kuò)大應(yīng)用范圍。因此,本文研究在YOLOv4的基礎(chǔ)上進(jìn)行了輕量級改進(jìn),利用深度可分離卷積重構(gòu)網(wǎng)絡(luò)結(jié)構(gòu)以壓縮網(wǎng)絡(luò)規(guī)模。加入修改SPPF模塊和通道注意力機(jī)制模塊,提高了輕量級模型對多尺度目標(biāo)的檢測精度。提出的檢測方法精度高、體積小、效率高,解決了現(xiàn)有檢測方法無法兼顧速度和精度的問題,為后續(xù)鋁片工業(yè)生產(chǎn)提供了重要的理論基礎(chǔ)。

1 YOLOv4網(wǎng)絡(luò)結(jié)構(gòu)簡介

YOLOv4用CSPNet作為主干網(wǎng)絡(luò)的構(gòu)建,從網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)的角度來看,它主要解決了推理中重復(fù)梯度信息的問題,基礎(chǔ)層的特征圖因此被分成兩部分。然后使用跨階段的層次結(jié)構(gòu)將它們集成在一起,以確保準(zhǔn)確性,同時(shí)最大限度地減少計(jì)算量。其結(jié)構(gòu)如圖1所示,它的結(jié)構(gòu)包括前向網(wǎng)絡(luò)、多尺度檢測頭和后向網(wǎng)絡(luò)。前向網(wǎng)絡(luò)由多個(gè)塊組成,包括CSPDarknet53、SPP、FPN、Neck和Upsample,其中CSPDarknet53模塊是基于ResNet結(jié)構(gòu)實(shí)現(xiàn)的,它可以有效提高網(wǎng)絡(luò)性能。多尺度檢測頭有3個(gè)網(wǎng)絡(luò):YOLOv3、SPP-YOLOv3和Panoptic-YOLO,它們可以從不同尺度檢測不同大小的目標(biāo)。后向網(wǎng)絡(luò)由多個(gè)訓(xùn)練模塊組成,包括損失函數(shù)模塊、梯度模塊、參數(shù)優(yōu)化模塊和模型評估模塊,用于實(shí)現(xiàn)端到端的訓(xùn)練和預(yù)測。

圖1 YOLOv4結(jié)構(gòu)示意圖

2 改進(jìn)的YOLOv4目標(biāo)檢測算法

2.1 SE模塊

為了提高網(wǎng)絡(luò)的特征提取能力,在網(wǎng)絡(luò)中引入了擠壓與激勵(lì)模塊。本文在原有的通道注意力機(jī)制結(jié)構(gòu)上將全連接改成普通卷積。如圖2所示,是本文實(shí)際使用的SE模塊,由于此處全連接和1×1卷積是等價(jià)的,為了統(tǒng)一,將2個(gè)全連接層都替換成1×1卷積,在權(quán)重歸一化上,使用Hard-sigmoid激活函數(shù)來替代Sigmoid,前者是后者的近似,計(jì)算速度更快,不需要經(jīng)過冪運(yùn)算,能夠在保證引入SE 模塊提高精度的同時(shí),又不會(huì)帶來復(fù)雜的運(yùn)算,花費(fèi)代價(jià)小。

圖2 注意力機(jī)制模塊

2.2 基于鋁片數(shù)據(jù)集的聚類改進(jìn)

作為無監(jiān)督聚類算法中的代表K均值聚類(K-means)算法,該算法的主要作用是將相似的樣本自動(dòng)歸到一個(gè)類別中。文中采用K-means聚類算法根據(jù)本文數(shù)據(jù)集的標(biāo)注文件重新聚類,其表達(dá)式為:

(1)

distance(i,center)=1-IoU

(2)

本文以K-means聚類算法為基礎(chǔ)進(jìn)行改進(jìn),將兩個(gè)樣本間的距離使用1-IoU(bboxes,anchors)作為樣本之間的距離進(jìn)行聚類。是初始錨框盡可能接近各種標(biāo)記框的大小。由此確定9個(gè)先驗(yàn)錨框?yàn)閇6,9]、[13,65]、[33,61]、[48,43]、[162,38]、[89,90]、[45,186]、[191,110]、[89,239]。

2.3 GhostNet作為主干網(wǎng)絡(luò)

GhostNet采用輕量級的1×1卷積替換3×3卷積,以降低模型的計(jì)算量;其次,GhostNet使用特殊的殘差跳連技術(shù),以改善網(wǎng)絡(luò)的特征提取能力。GhostNet具有較低的計(jì)算量和較少的參數(shù),可以用在移動(dòng)設(shè)備上運(yùn)行。本文使用GhostNet結(jié)構(gòu)替換原本網(wǎng)絡(luò)主干,采用ghost低計(jì)算量的優(yōu)勢生成冗余的特征圖。

Ghost Module是一種新的神經(jīng)網(wǎng)絡(luò)層,用于替代普通的卷積層。它使用一系列可學(xué)習(xí)的轉(zhuǎn)換來實(shí)現(xiàn)更高效的特征提取,而不是傳統(tǒng)的卷積。它可以改善網(wǎng)絡(luò)的模型訓(xùn)練,以及模型的參數(shù)和計(jì)算效率。其結(jié)構(gòu)如圖3所示。

圖3 Ghost module模塊

如圖4所示,Ghost bottleneck主要構(gòu)成是兩個(gè)相互之間堆疊的Ghost Module模塊。第一個(gè)Ghost Module可以被理解為一個(gè)“類似于殘差網(wǎng)絡(luò)結(jié)構(gòu)”,它能夠增加網(wǎng)絡(luò)的通道數(shù)量,從而提高網(wǎng)絡(luò)的表達(dá)能力,后一個(gè)Ghost Module用來降低通道數(shù)量以匹配殘差連接,同時(shí)在兩個(gè)堆疊的Ghost Module模塊中間加入了如圖2的注意力機(jī)制。

圖4 Ghost module模塊

所有g(shù)host bottleneck使用的stride=1,每個(gè)階段的最后一個(gè)使用的是stride=2,這是為了降低特征圖大小。GhostNet是一種深度神經(jīng)網(wǎng)絡(luò)架構(gòu),它通過多個(gè)Ghost Bottlenecks組件連接而成,每個(gè)組件都能提供模型的細(xì)微變化,從而提升模型的性能。GhostNet通道參數(shù)如表1所示。

表1 GhostNet通道參數(shù)

2.4 SPP和PANet的改進(jìn)

在YOLOv4中使用的最大池化層是在SPP結(jié)構(gòu)里,SPP是一種在卷積神經(jīng)網(wǎng)絡(luò)中使用的池化技術(shù),用于解決卷積神經(jīng)網(wǎng)絡(luò)每個(gè)卷積層中特征圖大小不一致的問題。原SPP結(jié)構(gòu)使用的是kernel size是5,9,11的池化核,本文在原來的基礎(chǔ)上改進(jìn)使用SPPF結(jié)構(gòu)來進(jìn)行池化,從形狀上來說,SPP和SPPF的目的是相同的,只是在結(jié)構(gòu)上略有差異,從SPP改進(jìn)為SPPF后,模型的計(jì)算量變小了很多,模型速度有所提升。SPPF模塊采用多個(gè)小尺寸池化核替代SPP結(jié)構(gòu)中的單個(gè)大尺寸池化核,從而保證了融合不同感受野的特征功能之外,進(jìn)一步提高了運(yùn)行能力,其結(jié)構(gòu)如圖5所示。

圖5 SPPF結(jié)構(gòu)

在PANet加強(qiáng)特征層結(jié)構(gòu)中改進(jìn)使用深度可分離卷積代替原來的標(biāo)準(zhǔn)卷積,在通過構(gòu)造YOLOBody的過程中將Panet當(dāng)中普通的3×3卷積改成深度可分離卷積,改動(dòng)的是在原YOLOv4中的連續(xù)5次卷積和連續(xù)3次卷積以及在Head檢測頭當(dāng)中的3×3卷積,其好處是可以減少計(jì)算量和參數(shù)量。整體的網(wǎng)絡(luò)結(jié)構(gòu)圖如圖6所示。

圖6 改進(jìn)的YOLOv4網(wǎng)絡(luò)結(jié)構(gòu)圖

3 實(shí)驗(yàn)與結(jié)果分析

3.1 實(shí)驗(yàn)環(huán)境

實(shí)驗(yàn)平臺在Linux服務(wù)器上進(jìn)行使用的是ubuntu20.04系統(tǒng),CPU為12核CPU Intel(R) Xeon(R) Platinum 8255C CPU @ 2.50 GHz,GPU為NVIDIA GeForce RTX3090,深度學(xué)習(xí)安裝CUDA及CUDNN圖形加速,深度學(xué)習(xí)框架PyTorch,編譯語言為python3.6集成工具opencv等擴(kuò)展庫。

3.2 鋁片表面缺陷數(shù)據(jù)集獲取

數(shù)據(jù)集介紹:通過?？倒I(yè)相機(jī)采集鋁片表面工業(yè)缺陷檢測數(shù)據(jù)集。該數(shù)據(jù)集標(biāo)注為COCO格式,包含了針孔、臟污、褶皺、劃傷4個(gè)類別的缺陷目標(biāo),超過400張標(biāo)注圖片,整個(gè)數(shù)據(jù)集中的缺陷數(shù)量達(dá)到1000個(gè)以上,如圖7所示。

(a) 劃傷 (b)針孔(c) 臟污 (d) 褶皺

本實(shí)驗(yàn)采用LabelImg工具對數(shù)據(jù)集進(jìn)行標(biāo)注,操作界面如圖8所示,利用該工具進(jìn)行標(biāo)記各類別的具體過程。

圖8 LabelImg工具標(biāo)注圖

3.3 數(shù)據(jù)增強(qiáng)

由于數(shù)據(jù)集數(shù)量較少,本文使用離線增強(qiáng)和在線增強(qiáng)相結(jié)合的方法,采用數(shù)據(jù)增強(qiáng)可以通過應(yīng)用各種變換,將原始數(shù)據(jù)集轉(zhuǎn)換成更多的樣本,從而增加數(shù)據(jù)集的大小。通過對圖像的隨機(jī)縮放、隨機(jī)旋轉(zhuǎn)、隨機(jī)裁剪、隨機(jī)反轉(zhuǎn)、噪聲添加、平移、亮度變換和添加高斯噪聲等技巧實(shí)現(xiàn)數(shù)據(jù)增強(qiáng)。

如圖9所示,本文使用離線數(shù)據(jù)增強(qiáng)的方式對數(shù)據(jù)集進(jìn)行不同程度的擴(kuò)充,圖9a為原數(shù)據(jù)集圖像;圖9b對原圖進(jìn)行加噪音變換;圖9c為亮度變換并加噪音;圖9d對原圖進(jìn)行隨機(jī)擦除;圖9e對原圖進(jìn)行隨機(jī)變形填補(bǔ);圖9f對原圖進(jìn)行亮度增加或降低并進(jìn)行旋轉(zhuǎn)。

(a) 原圖 (b) 加噪音 (c) 亮度變換并加噪音

數(shù)據(jù)增強(qiáng)將原本少量的數(shù)據(jù)集的樣本數(shù)目增加到4000張左右,對原本的數(shù)據(jù)集進(jìn)行數(shù)據(jù)擴(kuò)充,即將原本的數(shù)據(jù)集進(jìn)行多次不同的變換,從而增加樣本數(shù)目。一般在模型訓(xùn)練過程中使用在線Mosaic數(shù)據(jù)增強(qiáng)方法,替換一般的Mixup數(shù)據(jù)增強(qiáng)方式。效果如圖10所示。

(a) Mixup數(shù)據(jù)增強(qiáng)圖像 (b) Mosaic增強(qiáng)方式的圖像

Mosaic數(shù)據(jù)增強(qiáng)更加簡單,不需要任何額外的計(jì)算,只需要選擇要混合的圖像,就可以實(shí)現(xiàn)數(shù)據(jù)增強(qiáng);而且在訓(xùn)練過程中能更好地保留原始圖像的特征,而CutMix數(shù)據(jù)增強(qiáng)則會(huì)混合多個(gè)圖像的特征,從而使得原始圖像的特征變得模糊;同時(shí),Mosaic數(shù)據(jù)增強(qiáng)可以有效的保留原始圖像的結(jié)構(gòu),而CutMix數(shù)據(jù)增強(qiáng)則會(huì)把多個(gè)圖像混合在一起,使得原始圖像的結(jié)構(gòu)變得模糊;最后Mosaic相對來說能夠保持原始圖像的尺寸,而CutMix增強(qiáng)則會(huì)把多個(gè)圖像混合在一起,使得原始圖像的尺寸變得模糊。

3.4 實(shí)驗(yàn)分析和結(jié)果

實(shí)驗(yàn)訓(xùn)練過程中設(shè)置輸入特征圖片格式為jpg,無需固定大小,自動(dòng)進(jìn)行resize。期間訓(xùn)練參數(shù)采用Adam自適應(yīng)學(xué)習(xí)率算法,動(dòng)量向設(shè)置為0.937,學(xué)習(xí)率下降方式使用余弦退火算法,初始值0.001。訓(xùn)練期間每個(gè)階段epoch在一段時(shí)間段內(nèi)的loss值變化如圖11所示,在大概前10個(gè)訓(xùn)練迭代期間,誤差急劇下降;迭代10次之后,損失曲線趨向于穩(wěn)定,最終在1.5附近。

圖11 損失曲線

將改進(jìn)的YOLOv4模型與SSD、YOLOv4、Faster-RCNN進(jìn)行比較,本文采用精確率、召回率、檢測速度、精度、平均精度、F1作為指標(biāo),精確率計(jì)算公式如式(3)所示;召回率計(jì)算公式如式(4)所示。

(3)

(4)

圖12和圖13為改進(jìn)YOLOv4精確率變化曲線和召回率變化曲線。

圖12 改進(jìn)的YOLOv4算法的精確率變化曲線

圖13 改進(jìn)的YOLOv4算法的召回率變化曲線

本文在原YOLOv4基礎(chǔ)上增加了相應(yīng)的注意力機(jī)制,使網(wǎng)絡(luò)能夠有效的關(guān)注鋁片數(shù)據(jù)集的瑕疵特征,在表2和表3中可以看出各自的精確率和召回率,原YOLOv4算法在針孔這類缺陷的精確率比改進(jìn)YOLOv4僅提高1.50%,但召回率卻低了4.12%;SSD算法在褶皺和劃傷這兩類缺陷的檢測精度表現(xiàn)一般;Faster-RCNN在劃傷這類缺陷檢測精度上比YOLOv4高了1.76%,但召回率低了8%;通過以上的分析描述,YOLOv4算法改進(jìn)了精確率,但是提高精準(zhǔn)率并不意味著提高召回率,因此引入F1值作為評級指標(biāo)。F1值是精確率和召回率的調(diào)和平均值,用來衡量檢測算法的總體性能,F1計(jì)算公式如式(5)所示。

表2 不同算法精確率(Precision)對比 (%)

表3 不同算法召回率(Recall)對比 (%)

(5)

圖14為改進(jìn)YOLOv4的F1值的圖,改進(jìn)后的網(wǎng)絡(luò)具有較強(qiáng)的穩(wěn)定性,曲線變化更加平緩。表4中,Faster-RCNN、SSD兩個(gè)模型在褶皺缺陷檢測方面F1值略低于其他模型,實(shí)驗(yàn)表明改進(jìn)后的YOLOv4算法在檢測鋁片表面缺陷方面的性能優(yōu)于YOLOv4、Faster-RCNN、SSD,4種缺陷的F1值均高于其他算法,表明改進(jìn)YOLOv4算法能有效地檢測鋁片表面缺陷。

表4 不同算法F1值

圖14 改進(jìn)的YOLOv4算法的F1值

AP是指將給定的模型在多個(gè)類別中的準(zhǔn)確性和召回率進(jìn)行比較,它可以反映模型在多個(gè)類別上的總體表現(xiàn),mAP是所有類AP值的平均值,是一個(gè)更全面的模型性能度量。AP計(jì)算公式如式(6)所示;mAP計(jì)算公式如(7)所示。

(6)

(7)

通過表5的數(shù)據(jù)可以看出,改進(jìn)的YOLOv4算法相較于YOLOv4,其平均精度有了顯著的提升,同時(shí)其幀率也得到了優(yōu)化。改進(jìn)的YOLOv4算法跟YOLOv4相比FPS提升了0.9,mAP提升了1.06%;與SSD相比FPS降低了6.05,但是mAP提升了19.64%;與Faster-RCNN相比FPS提升了8.26,mAP提高了15.12%。鋁片數(shù)據(jù)集的4個(gè)類別以及它們的平均精度如圖15所示。在工業(yè)鋁片的4種缺陷中,臟污識別的準(zhǔn)確率是最高的,達(dá)到1.0。

表5 不同模型AP以及mAP值對比

圖15 mAp平均精度圖

在設(shè)定的IOU閾值為0.5以及測試圖像尺寸為608×608的情況下,YOLOv4、SSD、Faster-RCNN以及本文算法的檢測性能結(jié)果如表6所示。從實(shí)驗(yàn)結(jié)果可以看出,本文算法的性能比YOLOv4、SSD、Faster-RCNN的表現(xiàn)都要優(yōu)越。本文模型是在原YOLOv4模型基礎(chǔ)上改進(jìn),通過改變主干結(jié)構(gòu)模型以及加入深度可分離卷積對PANet和普通卷積進(jìn)行替換,相比于YOLOv4參數(shù)量和計(jì)算量大幅度降低,結(jié)合以上描述,可以驗(yàn)證本文算法的性能更強(qiáng)。

表6 不同模型的性能比較

在實(shí)驗(yàn)過程中,抽取每個(gè)類別不同的幾張缺陷圖片輸入到這幾類算法模型中進(jìn)行測試,檢測結(jié)果分為單目標(biāo)識別和多目標(biāo)識別,其相應(yīng)的結(jié)果分別如圖16和圖17所示。實(shí)驗(yàn)結(jié)果中,在這幾類算法里臟污的識別率都達(dá)到比較高的水平,說明訓(xùn)練的結(jié)果比較有質(zhì)量,都達(dá)到了90%以上,體現(xiàn)出模型的良好檢測性能。在針孔和劃傷這兩類缺陷上,Faster-RCNN和SSD算法均出現(xiàn)識別精度不是很高的現(xiàn)象;在褶皺這類缺陷上,SSD識別率出現(xiàn)下跌至60%以下的現(xiàn)象,其余算法都達(dá)到了90%以上。通過對比4種算法檢測結(jié)果表明,改進(jìn)的YOLOv4算法能夠更好地捕獲特征,并對工業(yè)鋁片表面缺陷的檢測更加精確。通過引入注意力機(jī)制,該算法能夠更好地提高檢測效果,優(yōu)于其他檢測算法。

圖16 各網(wǎng)絡(luò)模型的單目標(biāo)識別率

圖17 各類模型的多目標(biāo)識別率

4 結(jié)論

為實(shí)現(xiàn)對鋁片工業(yè)表面缺陷檢測這一復(fù)雜場景進(jìn)行實(shí)時(shí)檢測,本文將改進(jìn)YOLOv4算法應(yīng)用到鋁片數(shù)據(jù)集中進(jìn)行缺陷檢測,在此基礎(chǔ)上設(shè)計(jì)實(shí)驗(yàn)并驗(yàn)證改進(jìn)方法的有效性,總結(jié)如下:

(1)在主干網(wǎng)絡(luò)中使用GBANet網(wǎng)絡(luò),增強(qiáng)主干網(wǎng)絡(luò)的特征提取能力的同時(shí)降低網(wǎng)絡(luò)模型的參數(shù)量和計(jì)算量的大小;在主干網(wǎng)絡(luò)的最后一層將改進(jìn)的SPPF替代原本SPP結(jié)構(gòu),在保證融合不同感受野的特征圖功能外,進(jìn)一步提高運(yùn)行能力;

(2)在頸部網(wǎng)絡(luò)PANet中用深度可分離卷積模塊替換原本標(biāo)準(zhǔn)卷積,使整體運(yùn)行輕量化;在網(wǎng)絡(luò)中嵌入改進(jìn)的通道注意力機(jī)制提高模型對于小尺度缺陷目標(biāo)的檢測能力,最終mAP值較原YOLOv4提高了1.06%,mAP達(dá)到了90.98%,改進(jìn)后的算法相較原算法在各類缺陷的檢測精度上都有提高。

(3)在檢測速度方面,改進(jìn)后的YOLOv4算法相較原算法損失0.9 fps,但也達(dá)到36.6 fps;改進(jìn)后的模型權(quán)重體積較原YOLOv4減少了82.72%,GFLOPs和Params等都有大幅度的減少,一改原YOLOv4網(wǎng)絡(luò)結(jié)構(gòu)復(fù)雜、模型體積大、硬件性能高,無法滿足實(shí)際工業(yè)檢測的要求。改進(jìn)后的YOLOv4算法滿足鋁型材生產(chǎn)現(xiàn)場表面缺陷檢測的精度與速度要求,同時(shí)對于有類似問題的缺陷檢測領(lǐng)域具有一定的借鑒意義。