83、基于SSD Mobile Net V1与FPN的深度学习视觉检测

基于SSD Mobile Net V1与FPN的深度学习视觉检测

1. 引言

再制造是一个工业修复过程，将磨损或故障的产品重新制造，使其恢复到像新产品一样可靠地运行。这个过程包括拆卸、清洁、检查和修复等阶段。其中，检查阶段对于准确评估返回产品或子组件（即核心）的状况和可用性至关重要。

传统的人工检查方法存在诸多问题。一方面，再制造需要对所有产品进行100%检查，这使得人工检查既耗时又费力；另一方面，人工检查容易受到检查员主观因素的影响，不同检查员对缺陷严重程度的评估可能不同，甚至同一检查员在不同心理生理条件下的评估也会有差异。此外，在汽车再制造领域，还面临着检查员短缺的问题。

为了克服这些问题，自动化视觉检查应运而生。在自动化检查中，机器学习（ML）方法被用于识别缺陷的类型和位置。卷积神经网络（CNNs）作为最先进的深度学习算法，通过卷积、池化和全连接层提取输入图像的特征，已成功应用于图像中缺陷的分类和定位。然而，目前再制造中的缺陷检测应用仍然局限于少数几种缺陷类型，并且缺乏同时对多种缺陷进行广泛检查的能力。因此，我们旨在开发一种能够同时识别多种缺陷类型的自动化缺陷检测工具，尤其关注小缺陷，因为大的严重缺陷通常在进入再制造流程之前就会被报废。

2. 相关工作

目标检测算法旨在使用带有预测概率的边界框来描述图像中对象及其位置，主要分为单阶段检测器和两阶段检测器模型两类。

模型类型	结构特点
单阶段检测器模型	头部架