·566· 智能系统学报 第15卷 测的无缺陷样本数、Dimple缺陷样本数和Scratch 和99.15%。 缺陷样本数；N-12表示无缺陷样本被误检为缺陷 表2为本文模型与常用代表性卷积神经网络 样本的数量；W2-o表示缺陷样本被误检为无缺陷 在同样小样本数据集下训练180轮次的测试结果 样本的数量。 对比。 本文随机选取了1526幅样本图像进行测试， 表1测试结果 测试结果如表1所示，其中，0表示595幅无缺陷 Table 1 Test result 样本集，1表示458幅Dimple缺陷样本集，2表示 样本集 No N N2 正确率/% 473幅Scratch缺陷样本集。 0 585 2 8 98.32 表1所示的实验结果表明无缺陷样本与缺陷 457 0 99.78 2 469 99.15 样本的分类正确性分别可以达到98.32%、99.78% 表2模型比较 Table 2 Models comparison 模型 0(595) 1(458) 2(473) 平均正确率/% 误检率/% 训练时间 超参数 AlexNet 283 211 237 44.95 52.42 38 min 62 GoogleNet 371 364 389 73.66 19.98 29 min 6.8 ResNet50 392 276 406 70.38 23.57 30 min 25.5 AlexNet+ 564 455 469 97.51 2.03 6h 62 GoogLeNet+ 576 455 472 98.49 1.25 5.4h 6.8 ResNet-50+ 581 449 473 98.56 1.18 5.2h 25.5 Our model 585 457 469 99.02 0.66 2.8h 2.36 表2所示的对比结果表明，以AlexNet、 型验证并优化模型参数，重点解决在线检测实时 GoogLeNet、ResNet:50为代表的CNN模型在小样 性问题。 本数据集下检测正确率有限，存在漏检率较高的 问题。迁移学习和DCGAN生成样本强化训练是 参考文献： 提升检测性能的有效手段。本文模型相较于改进 [1]LU Rongsheng,SHI Yanqiong,LI Qi,et al.AOI tech- 后的主流模型可以进一步提升检测正确率并降低 niques for surface defect inspection[].Applied mechanics 误检率。 and materials.2010.36:297-302. [2]LIU Y H.LIU Yanchen,CHEN Y Z.High-speed inline de- 4结束语 fect detection for TFT-LCD array process using a novel 本文针对高分辨率LCD图像的在线检测问 support vector data description[].Expert systems with ap- 题，设计了一个参数量少且收敛快的轻量型CNN plications,2011,38(5):6222-6231. 模型。该模型通过利用迁移学习结合DCGAN生 [3]CEN Yigang,ZHAO Ruizhen,CEN Lihui,et al.Defect in- 成样本强化训练，克服了基于小样本集的深度学 spection for TFT-LCD images based on the low-rank mat- rix reconstruction[J].Neurocomputing.2015,149: 习模型训练易出现过拟合难点，通过设计自动分 1206-1215. 割与定位预处理软件将高分辨率图像划分成图像 [4]张腾达，卢荣胜，张书真.基于二维DFT的TFT-LCD平 子块，并根据对图像子块的判定类别和定位坐 板表面缺陷检测).光电工程，2016,43(3)7-15 标，同时获取多类型缺陷检测结果。相比传统缺 ZHANG Tengda,LU Rongsheng,ZHANG Shuzhen.Sur- 陷检测算法，可以减少人工设置过多参数引起的 face defect inspection of TFT-LCD panels based on 2D 烦琐，并避免因图像分解重构而影响在线检测应 DFT[J].Opto-electronic engineering,2016,43(3):7-15. 用。实验结果表明，提出算法对LCD表面缺陷 [5]MA Ling,LIU Wei,LIU Yumin,et al.An automatic detec- 的平均检测正确率可以达到99.02%，误检率为 tion algorithm for surface defects in TFT-LCD[C]//Pro- 0.66%,具有高检出率和低漏检率的特点。在下一 ceedings of 2013 Second IAPR Asian Conference on Pat- 步的研究中，将在实际生产环境中进一步进行模 tern Recognition.Naha,Japan,2013:847-851.N0→1,2 N1,2→0 测的无缺陷样本数、Dimple 缺陷样本数和 Scratch 缺陷样本数； 表示无缺陷样本被误检为缺陷 样本的数量； 表示缺陷样本被误检为无缺陷 样本的数量。 本文随机选取了 1 526 幅样本图像进行测试， 测试结果如表 1 所示，其中，0 表示 595 幅无缺陷 样本集，1 表示 458 幅 Dimple 缺陷样本集，2 表示 473 幅 Scratch 缺陷样本集。 98.32% % 表 1 所示的实验结果表明无缺陷样本与缺陷 样本的分类正确性分别可以达到 、99.78 和 99.15%。 表 2 为本文模型与常用代表性卷积神经网络 在同样小样本数据集下训练 180 轮次的测试结果 对比。 表 1 测试结果 Table 1 Test result 样本集 N0 N1 N2 正确率/% 0 585 2 8 98.32 1 1 457 0 99.78 2 2 2 469 99.15 表 2 模型比较 Table 2 Models comparison 模型 0(595) 1(458) 2(473) 平均正确率/% 误检率/% 训练时间 超参数 AlexNet 283 211 237 44.95 52.42 38 min 62 GoogleNet 371 364 389 73.66 19.98 29 min 6.8 ResNet50 392 276 406 70.38 23.57 30 min 25.5 AlexNet+ 564 455 469 97.51 2.03 6 h 62 GoogLeNet+ 576 455 472 98.49 1.25 5.4 h 6.8 ResNet-50+ 581 449 473 98.56 1.18 5.2 h 25.5 Our model 585 457 469 99.02 0.66 2.8 h 2.36 表 2 所示的对比结果表明， 以 AlexNet、 GoogLeNet、ResNet50 为代表的 CNN 模型在小样 本数据集下检测正确率有限，存在漏检率较高的 问题。迁移学习和 DCGAN 生成样本强化训练是 提升检测性能的有效手段。本文模型相较于改进 后的主流模型可以进一步提升检测正确率并降低 误检率。 4 结束语 本文针对高分辨率 LCD 图像的在线检测问 题，设计了一个参数量少且收敛快的轻量型 CNN 模型。该模型通过利用迁移学习结合 DCGAN 生 成样本强化训练，克服了基于小样本集的深度学 习模型训练易出现过拟合难点，通过设计自动分 割与定位预处理软件将高分辨率图像划分成图像 子块，并根据对图像子块的判定类别和定位坐 标，同时获取多类型缺陷检测结果。相比传统缺 陷检测算法，可以减少人工设置过多参数引起的 烦琐，并避免因图像分解重构而影响在线检测应 用。实验结果表明，提出算法对 LCD 表面缺陷 的平均检测正确率可以达到 99.02%，误检率为 0.66%，具有高检出率和低漏检率的特点。在下一 步的研究中，将在实际生产环境中进一步进行模 型验证并优化模型参数，重点解决在线检测实时 性问题。 参考文献： LU Rongsheng, SHI Yanqiong, LI Qi, et al. AOI tech￾niques for surface defect inspection[J]. Applied mechanics and materials, 2010, 36: 297–302. [1] LIU Y H, LIU Yanchen, CHEN Y Z. High-speed inline de￾fect detection for TFT-LCD array process using a novel support vector data description[J]. Expert systems with ap￾plications, 2011, 38(5): 6222–6231. [2] CEN Yigang, ZHAO Ruizhen, CEN Lihui, et al. Defect in￾spection for TFT-LCD images based on the low-rank mat￾rix reconstruction[J]. Neurocomputing, 2015, 149: 1206–1215. [3] 张腾达, 卢荣胜, 张书真. 基于二维 DFT 的 TFT-LCD 平 板表面缺陷检测 [J]. 光电工程, 2016, 43(3): 7–15. ZHANG Tengda, LU Rongsheng, ZHANG Shuzhen. Sur￾face defect inspection of TFT-LCD panels based on 2D DFT[J]. Opto-electronic engineering, 2016, 43(3): 7–15. [4] MA Ling, LIU Wei, LIU Yumin, et al. An automatic detec￾tion algorithm for surface defects in TFT-LCD[C]//Pro￾ceedings of 2013 Second IAPR Asian Conference on Pat￾tern Recognition. Naha, Japan, 2013: 847−851. [5] ·566· 智 能 系 统 学 报 第 15 卷