2022年05期 v.43 1-7页
杜娟1,2 杨钧植1
（1.华南理工大学自动化科学与工程学院，广东 广州 510641
2.广东省高端芯片智能封装装备工程实验室，广东 广州 510641）
摘要：随着机器视觉算法的发展与完善，各类深度学习方法逐步取代人眼检测与基于特征选择的传统计算机视觉方法，应用于工业生产的各个环节，对各类表面缺陷进行检测。深度学习方法随着网络层次深入，能由浅至深提取图像特征，但由于其基于数据驱动，需要巨量数据作为支撑，这与工业生产中缺陷异常样本数据量小，且分布不均相互矛盾。针对以上问题，基于仅包含325幅图像样本的小样本连接器数据集，在目标检测网络YOLOv5的基础上，提出一种基于权重迁移与模型调整的方法，采用冻结与解冻训练相结合的方式训练目标网络。实验表明，对于该小样本数据集，相较于直接运用目标检测网络，该方法具有更高的检测精度与更快的收敛速度，更能满足工业生产需求。
关键词：缺陷检测；深度学习；小样本学习；迁移学习；电子连接器
中图分类号：TP311.1 文献标识码：A 文章编号：1674-2605(2022)05-0001-07
DOI：10.3969/j.issn.1674-2605.2022.05.001
