Una red ligera para la detección de defectos en superficies de teléfonos con implementación industrial en...

Área de la Ciencia:

• Visión por Computadora
• Aprendizaje Automático
• Tecnología de Manufactura

Sus antecedentes:

• La detección de defectos en pantallas de teléfonos inteligentes enfrenta desafíos con la precisión, las detecciones erróneas y el procesamiento lento.
• Los métodos existentes tienen dificultades con defectos pequeños en fondos complejos.

Objetivo del estudio:

• Desarrollar un modelo de detección de defectos ligero y eficiente para pantallas de teléfonos inteligentes.
• Mejorar la precisión y la velocidad de la identificación de defectos en la fabricación.

Principales métodos:

• Integración de Reconstrucción de Características Espaciales Guiadas por Contexto (CGRFPN) para la percepción de características multinivel.
• Incorporación de Atención Local Eficiente (ELA) y pérdida de IoU de distancia mínima de puntos (MPDIoU) para mejorar la localización y la estabilidad.
• Diseño de una cabeza de detección de convolución ligera mejorada para detalles y convolución compartida (LSDECD).
• Aplicación de poda de modelos y destilación de conocimiento para la optimización.

Principales resultados:

• El modelo LNB-YOLO propuesto logró un mAP@0.5 del 97,5% y un mAP@.5:.95 del 68,8% en el conjunto de datos PKU-Market-Phone.
• Mejoras significativas sobre YOLOv8 original: 6,1% y 9,3% más altas en las métricas mAP respectivas.
• Reducción del 80% en los parámetros del modelo y del 63% en el costo computacional.

Conclusiones:

• LNB-YOLO aborda eficazmente los desafíos de la detección de defectos pequeños en la producción de teléfonos inteligentes.
• El modelo ofrece un equilibrio superior de precisión, velocidad y eficiencia para aplicaciones industriales.
• Este enfoque cumple con los estrictos requisitos de precisión de las líneas de fabricación modernas de teléfonos inteligentes.