摘要
笔记本面板表面的鼓包、麻点等缺陷在RGB图像上特征不显著,而细小划痕缺陷在深度相机上又无法采集其深度信息。为了同时满足深度空间和颜色空间这两类缺陷的特征采集,搭建了RGB-D数据采集平台,采用线激光三角测量法和错位取值的方法,通过一台相机和线激光发射器同时采集RGB图像和深度图像。提取激光中心线时通过对激光图像的两个通道做差,消除外部光源的干扰,提高了激光中心线的提取精度。将采集到的RGB-D数据进行图像处理后制作成数据集,采用基于Swin Transformer优化的Mask RCNN模型对数据集进行训练和验证。结果表明,该数据采集平台能实现鼓包、麻点、划痕等多种缺陷类型的缺陷特征采集,并通过深度学习的方法进行缺陷检测。改进后的Mask RCNN网络模型平均检测精度m AP达到86.5%,比传统基于ResNet50网络的Mask RCNN精度提升9.5%,在大目标缺陷上检测精度AP提升了13.3%。该方案能够有效降低漏检率,满足对笔记本面板表面的缺陷检测要求。
出处
《装备制造技术》
2022年第2期21-24,35,共5页
Equipment Manufacturing Technology
基金
广东省基础与应用基础研究基金项目(2021A1515110035)
广州市科技计划项目(201902010054)
作者简介
第一作者:吴志远(1993-),男,广东汕头人,硕士研究生,研究方向为机器视觉;通讯作者:陈新度(1967-),男,湖南长沙人,教授,研究方向为基于机器人的智能制造单元、机器视觉、深度学习.
