基于RetinaNet的手机主板缺陷检测研究

计算机工程与科学

基于RetinaNet的手机主板缺陷检测研究

马美荣，李东喜

（太原理工大学大数据学院，山西晋中 030606）

收稿日期:2019-10-12 修回日期:2019-12-11 出版日期:2020-04-25 发布日期:2020-04-25
基金资助:
国家自然科学基金(11571009)；山西省工业智能大数据研究生教育创新中心项目(2018JD09)

Defect detection of mobile phone

motherboard based on RetinaNet

MA Mei-rong,LI Dong-xi

(School of Big Data,Taiyuan University of Technology,Jinzhong 030606,China)

Received:2019-10-12 Revised:2019-12-11 Online:2020-04-25 Published:2020-04-25

摘要/Abstract

摘要：

不同型号手机的主板图像具有多分辨率的成像模式，使缺陷元件是多尺度的。常规缺陷检测方法主要有图像融合方法和提取统计模型的方法，但这些方法的鲁棒性仍需要提高。针对该问题，提出了一种自动检测网络模型，即RetinaNet目标检测器。首先使用特征金字塔网络（FPN）提取缺陷元件的多尺度特征分类和位置，然后引入MobileNetV2以压缩和加速RetinaNet模型，最后使用焦点损失解决类不平衡和难以检测样本对损失贡献程度的问题。实验结果表明， RetinaNet能有效地检测不同尺度的缺陷元件，具有很高的检测精度;与其他目标检测器相比，RetinaNet实现了超过95％的平均精度（mAP）。这些结果表明了本文所提模型的有效性。

关键词: 手机主板, 缺陷检测, RetinaNet, 特征金字塔网络, MobileNetV2, 焦点损失

Abstract:

Since the motherboard images of different mobile phones have a multi-resolution imaging mode, the shape of defective components become multi-scale. Conventional defect detection methods mainly include image fusion methods or statistical model extraction methods, but the robustness of these methods still needs to be improved. To solve this problem, an automatic learning representation model, called RetinaNet object detector, is proposed. Firstly, feature pyramid network (FPN) is used to extract the multi-scale feature classification and location of defective components, and MobileNetV2 is introduced to compress and accelerate the RetinaNet model. Secondly, focus loss is used to resolve the class imbalance and increase the difficulty of detecting the contribution of the samples to the loss during the training. The experimental results show that RetinaNet can effectively detect defective components of different scales, and has high detection accuracy. Compared with other object detectors, RetinaNet achieves an average accuracy (mAP) of over 95%. These results demonstrate the effectiveness of the proposed model.

Key words: mobile phone motherboard, defect detection, RetinaNet, feature pyramid network (FPN), MobileNetV2, focus los

马美荣，李东喜. 基于RetinaNet的手机主板缺陷检测研究[J]. 计算机工程与科学.

MA Mei-rong,LI Dong-xi.

Defect detection of mobile phone

motherboard based on RetinaNet

[J]. Computer Engineering & Science.

[1]	黄珍伟, 陈伟, 王文杰, 路锦通. 基于改进 RetinaNet网络的水下机器人目标检测与实验[J]. 计算机工程与科学, 2024, 46(02): 264-271.
[2]	赵玥, 肖梦燕, 邱宝军, 罗军, 王小强, 罗道军. 基于机器视觉的集成电路声扫图像缺陷检测软件设计[J]. 计算机工程与科学, 2023, 45(10): 1806-1813.
[3]	吴栋梁, 刘知贵, . 基于轻量化YOLOX的电子元器件缺陷检测方法研究[J]. 计算机工程与科学, 2023, 45(08): 1463-1471.
[4]	罗晓霞, 邓勇, 叶鸥. 复杂场景中多阶段自适应帽子检测算法[J]. 计算机工程与科学, 2023, 45(07): 1253-1262.
[5]	严春满, 张翔, 王青朋. 基于改进MobileNetV2的人脸表情识别[J]. 计算机工程与科学, 2023, 45(06): 1071-1078.
[6]	葛明进，孙作雷,孔薇. 基于anchor-free的交通场景目标检测技术[J]. 计算机工程与科学, 2020, 42(04): 707-713.
[7]	周洲，黄茜，胡志辉. 基于显著性判别的缺陷检测方法[J]. 计算机工程与科学, 2018, 40(12): 2219-2223.
[8]	陈英杰，陈振邦，董威. 基于性质制导符号执行的Linux驱动程序缺陷检测研究[J]. 计算机工程与科学, 2017, 39(04): 734-739.
[9]	贺延涛1，徐琪2，唐亮1，游晓明3. 基于纹理特征的磁片表面刀纹缺陷检测[J]. J4, 2012, 34(6): 88-92.