LightDefectNet：一种用于导光板表面缺陷检测的高度紧凑型深度抗混叠注意力冷凝器神经网络架构

导光板是广泛应用于从医疗照明器具到背光电视显示器等多种领域的重要光学元件。导光板制造中的一个关键步骤是对划痕、亮/暗斑和杂质等缺陷进行质量检验。工业上主要通过人工目视检查板面图案不规则性来完成，这耗时且易受人误影响，从而成为高吞吐量生产的重大障碍。深度学习驱动的计算机视觉的进展已推动了对导光板自动视觉质量检验的探索，以提高检验一致性、准确性和效率。然而，鉴于视觉检验场景中的成本约束，由于高计算需求，深度学习驱动的计算机视觉方法在导光板检验中的广泛采用受到极大限制。在本研究中，我们探索利用带计算和“最佳实践”约束的机器驱动设计探索以及L$_1$配对分类差异损失来创建LightDefectNet，一种高度紧凑的深度抗混叠注意力冷凝器神经网络架构，专为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，同时仅具有770K参数（分别比ResNet-50和EfficientNet-B0低约33$\times$和约6.9$\times$）和约93M FLOPs（分别比ResNet-50和EfficientNet-B0低约88$\times$和约8.4$\times$），并且在嵌入式ARM处理器上比EfficientNet-B0快约8.8$\times$。