面向真实制造环境的高吞吐、高性能深度学习驱动导光板表面视觉质量检测
计算机视觉与模式识别
2022-12-22 v1 人工智能
摘要
导光板是广泛应用于从医疗照明设备到背光电视显示器等多种场景的关键光学组件。本文引入了一个完全集成的高吞吐、高性能深度学习驱动工作流，用于在真实制造环境中进行导光板表面视觉质量检测（VQI）。为了在完全集成的 VQI 系统内的边缘计算中实现自动化 VQI，我们通过机器驱动的设计探索（结合计算与“最佳实践”约束以及 配对分类差异损失），创建了一个高度紧凑的深度抗锯齿注意力凝聚神经网络（我们将其命名为 LightDefectNet），该网络专门针对资源受限场景下的导光板表面缺陷检测而定制。实验表明，LightDetectNet 在 LGPSDD 基准上实现了约 98.2% 的检测准确率，同时仅有 770K 参数（分别比 ResNet-50 和 EfficientNet-B0 低约 33 倍和约 6.9 倍）和约 93M FLOPs（分别比 ResNet-50 和 EfficientNet-B0 低约 88 倍和约 8.4 倍），并且在嵌入式 ARM 处理器上的推理速度比 EfficientNet-B0 快约 8.8 倍。因此，所提出的深度学习驱动工作流与上述 LightDefectNet 神经网络相集成，非常适合在真实制造环境中进行高吞吐、高性能的导光板表面 VQI。
引用
@article{arxiv.2212.10632,
title = {High-Throughput, High-Performance Deep Learning-Driven Light Guide Plate Surface Visual Quality Inspection Tailored for Real-World Manufacturing Environments},
author = {Carol Xu and Mahmoud Famouri and Gautam Bathla and Mohammad Javad Shafiee and Alexander Wong},
journal= {arXiv preprint arXiv:2212.10632},
year = {2022}
}
备注
arXiv admin note: substantial text overlap with arXiv:2204.11765