改进了基于R-CNN的STMask缺陷检测模型,用于对光学镜片的自动视觉检查

科学领域:

• 光学和光子学 在光学和光子学.
• 计算机视觉 计算机视觉
• 人工智能的人工智能

背景情况:

• 镜头缺陷会降低光学元件的性能和产品的一致性.
• 激光系统容易受到来自组件缺陷的放大损坏的影响.
• 手动和传统的机器视觉方法对于复杂的缺陷缺乏效率和准确性.

研究的目的:

• 开发一种强大的深度学习方法来检测光学镜片缺陷.
• 为了解决检测低对比度和复杂形态缺陷的局限性.
• 为了实现制造质量控制的自动化,高速检查.

主要方法:

• 一个深度学习模型,STMask R-CNN,将Swin变压器与Mask R-CNN集成.
• 创建了一个具有挑战性的数据集,包含3800多张图像和18000个缺陷样本.
• 与SSD,更快的R-CNN和YOLOv5.5等既定方法进行评估.

主要成果:

• STMask R-CNN实现了98.2%的精度,97.7%的回忆,以及98.1%的mAP@0.5.5.
• 在检测多尺度,低对比度和复杂缺陷类型方面表现出卓越的性能.
• 实现了每秒24 (FPS) 的检测速度,满足了生产要求.

结论:

• STMask R-CNN为自动光学镜片缺陷检测提供了一个高度准确和高效的解决方案.
• 该方法在各种缺陷场景中表现出极好的通用性和稳定性.
• 这项研究为光学制造业的实时质量保证提供了一种可行的深度学习方法.