改进面具R-CNN和深度学习,用于电子产品的缺陷检测和细分
Longjian Guo1, Jianming Meng1, Wei Hao1
1Department of Electronic and Communication Engineering, Shandong College of Electronic Technology, Jinan, China.
PloS one
|September 8, 2025
概括
Y-MaskNet是一个结合YOLOv5和Mask R-CNN的新框架,增强了电子产品缺陷检测和细分. 这种多任务学习方法显著提高了工业质量控制的准确性和效率.
科学领域:
- 计算机视觉 计算机视觉
- 人工智能的人工智能
- 制造业 制造技术 制造技术
背景情况:
- 工业自动化和智能制造需要先进的缺陷检测.
- 传统方法与复杂的背景,微小的缺陷和各种各样的缺陷类型作斗争,限制了准确性和效率.
研究的目的:
- 为电子产品开发一个准确和高效的缺陷检测和细分框架.
- 解决处理复杂缺陷场景时现有方法的局限性.
主要方法:
- 提出Y-MaskNet,一个多任务联合学习框架,集成YOLOv5用于检测和Mask R-CNN用于细分.
- 通过多任务学习策略优化模型性能.
主要成果:
- 在PCB缺陷数据集上,Y-MaskNet实现了0.72的平均平均精度 (mAP),表现优于YOLOv5 (0.62) 和Mask R-CNN (0.65).
- 与现有方法相比,交叉与联盟 (IoU) 的改进率提高了7%.
- 在检测小物体和细粒度缺陷的细分方面表现出特别的有效性.
结论:
- Y-MaskNet在电子产品的缺陷检测和细分方面取得了重大进展.
- 该框架为工业环境中的智能质量控制提供了强大的技术支持.
- 多任务学习方法提高了检测精度和细分精度.
