用于手机屏缺陷检测的基于图的两阶段分类网络

TP391.4; 缺陷检测是手机屏质量控制的重要环节.手机屏缺陷的特性带来了一些具有挑战性的问题,包括:(1)类间相似性和类内差异性;(2)低对比度、微小尺寸或不完整缺陷的识别带来的困难;(3)针对多标签图像的类别相关性建模.为了解决这些问题,本文提出一种图推理模块,它可以堆放在常规的分类模块上.该推理模块利用类别间的依赖性、图像间的关系以及类别图像之间的相互作用来扩展特征维度,并且达到改进低质量图像特征的目的.为了进一步提高分类性能,分类模块的分类器被设计为一个余弦相似度函数.在对比学习的帮助下,分类模块可以更好地初始化推理模块的类别图.在手机屏缺陷数据集上的实验表明,所提出的两阶段网络取得...

Full description

Saved in:
Bibliographic Details
Published in信息与电子工程前沿（英文版） Vol. 24; no. 2; pp. 203 - 后插2
Main Authors 周超凡, 刘妹琴, 张森林, 魏平, 陈霸东
Format Journal Article
LanguageChinese
Published 浙江大学电气工程学院,中国杭州市,310027%西安交通大学人工智能与机器人研究所,中国西安市,710049 2023
浙江大学工业控制技术国家重点实验室,中国杭州市,310027
浙江大学工业控制技术国家重点实验室,中国杭州市,310027%西安交通大学人工智能与机器人研究所,中国西安市,710049
浙江大学电气工程学院,中国杭州市,310027
Subjects
Multi-label classification
Neural networks
多标签分类
手机屏缺陷
神经网络
Mobile screen defects
基于图的方法
Graph-based methods
Online AccessGet full text
ISSN2095-9184

Cover

More Information
Summary:TP391.4; 缺陷检测是手机屏质量控制的重要环节.手机屏缺陷的特性带来了一些具有挑战性的问题,包括:(1)类间相似性和类内差异性;(2)低对比度、微小尺寸或不完整缺陷的识别带来的困难;(3)针对多标签图像的类别相关性建模.为了解决这些问题,本文提出一种图推理模块,它可以堆放在常规的分类模块上.该推理模块利用类别间的依赖性、图像间的关系以及类别图像之间的相互作用来扩展特征维度,并且达到改进低质量图像特征的目的.为了进一步提高分类性能,分类模块的分类器被设计为一个余弦相似度函数.在对比学习的帮助下,分类模块可以更好地初始化推理模块的类别图.在手机屏缺陷数据集上的实验表明,所提出的两阶段网络取得了最佳性能:准确率为97.7％,F-measure为97.3％.这证明了本文所提出的方法在工业应用中是有效的.
ISSN:2095-9184