朱世元 方世鵬

摘 要：橡膠制品表面缺陷會極大地影響產(chǎn)品的性能、安全性和可靠性。傳統(tǒng)的基于人的視覺檢測準(zhǔn)確率低且耗時(shí)長，現(xiàn)有的機(jī)器視覺檢測技術(shù)主要依靠人工完成，無法有效精準(zhǔn)對橡膠制品缺陷檢測。針對橡膠制品中各種缺陷檢測識別問題，采用基于深度學(xué)習(xí)模型的多尺度缺陷檢測方法，使用橡膠制品表面缺陷圖像對該網(wǎng)絡(luò)進(jìn)行了訓(xùn)練和評估。研究結(jié)果顯示，所建立的檢測模型對橡膠制品凹坑檢測準(zhǔn)確率較高，平均精度為92.7 %，可以有效檢測橡膠制品小缺陷，且基于深度學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)模型的初始總損失相對較小，在100～150個(gè)歷時(shí)之間趨于穩(wěn)定。

關(guān)鍵詞：深度學(xué)習(xí)；橡膠制品；缺陷；識別；技術(shù)研究

中圖分類號：TQ330.7

文獻(xiàn)標(biāo)志碼：A

文章編號：1001-5922（2023）07-0026-04

Innovation on rubber product defect detection and recognition technology based on deep learning

ZHU Shiyuan，F(xiàn)ANG Shipeng

（Yanan University，Yanan 716000，Shaanxi China

）

Abstract：Surface defects in rubber products can greatly affect the performance，safety，and reliability of the product.Traditional human based visual inspection has low accuracy and long time consumption.However，existing machine vision inspection technologies mainly rely on manual work and cannot effectively and accurately detect defects in rubber products.Therefore，in response to various defect detection and recognition issues in rubber products，a multi-scale defect detection method based on depth models is adopted.The network was trained and evaluated using surface defect images of rubber products.The research results show that the detection model established in this article has a high accuracy in detecting pits in rubber products，with an average accuracy of 92.7%.It can effectively detect small defects in rubber products.Moreover，the initial total loss of the neural network model based on deep learning is relatively small，and tends to stabilize between 100 and 150 durations.

Key words：deep learning;rubber products;defects;recognition;technical research

絕大多數(shù)傳統(tǒng)橡膠制品不溶，難以再加工和生物降解，造成黑色污染。而將聚丁二烯基加入橡膠制品可以有效加速橡膠制品降解速率。其中聚丁二烯基橡膠制品表面質(zhì)量是評價(jià)橡膠制品整體質(zhì)量的重要指標(biāo)［1］。研究指出受原材料運(yùn)輸、生產(chǎn)工藝水平、工人操作標(biāo)準(zhǔn)等因素的影響，聚丁二烯基橡膠制品經(jīng)常出現(xiàn)凹坑、氣泡、劃痕等表面缺陷［2］。如果表面缺陷問題不能及時(shí)發(fā)現(xiàn)和解決，就會出現(xiàn)不合格的產(chǎn)品，這將給企業(yè)帶來很大的經(jīng)濟(jì)負(fù)擔(dān)［3］。目前，企業(yè)生產(chǎn)中聚丁二烯基橡膠制品表面缺陷的檢測仍處于人工目視檢查去除不良品的階段［4-5］。檢測效率低，勞動強(qiáng)度高。因此，迫切需要一種智能高效的檢測方法來替代人工。

基于人工神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)通過將數(shù)據(jù)和低級特征轉(zhuǎn)換為更抽象和復(fù)合的表示來發(fā)現(xiàn)其輸入數(shù)據(jù)的分布式表示［6］。分析結(jié)果表明，人工神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)可以自動從大型訓(xùn)練數(shù)據(jù)集中學(xué)習(xí)高度抽象和不變的特征，而不是人為地構(gòu)建低級特征;因此，它可以穩(wěn)健地適應(yīng)各種計(jì)算機(jī)視覺任務(wù)［7］。

且在計(jì)算機(jī)視覺中，深度學(xué)習(xí)的對象往往是自然圖像，包括行人、車輛、動物和人臉等；但利用深度學(xué)習(xí)檢測橡膠制品表面缺陷的研究較少［8］。因此，本文提出了一種基于深度學(xué)習(xí)的聚丁二烯基橡膠制品表面缺陷檢測網(wǎng)絡(luò)。該網(wǎng)絡(luò)基于Faster R-CNN和特征金字塔網(wǎng)絡(luò)（FPN），可以有效檢測橡膠制品各種尺度的表面缺陷。

1 橡膠制品表面缺陷圖像識別

根據(jù)聚丁二烯基橡膠制品缺陷的工藝和原因不同，分為嚴(yán)重危害缺陷、自然缺陷和加工缺陷［9-11］。其中，嚴(yán)重缺陷和自然缺陷，具有一定的形狀和結(jié)構(gòu)特征，如圖1所示。一般來說，聚丁二烯基橡膠制品缺陷可分為：氣泡、致密性差、腐爛等。實(shí)驗(yàn)使用的原始數(shù)據(jù)集來源于某橡膠制品公司采樣所得圖像。掃描獲取橡膠制品圖像時(shí)，掃描儀的掃描速度為170～5 000 Hz;Z方向分辨率為 0.055～0.200 mm;X方向分辨率為 0.275 5～0.550 mm;并且彩色像素分辨率可以達(dá)到（1×0.5）mm。該數(shù)據(jù)集包括5 000張橡膠制品的缺陷圖。每個(gè)圖像的位深度為24，大小為100×100像素級別。

2 表面缺陷檢測網(wǎng)絡(luò)模型建立

利用 FasterR-CNN對聚丁二烯橡膠制品表面缺陷進(jìn)行分類、定位，建立了多尺度缺陷檢測網(wǎng)絡(luò)模型［12］。Faster R-CNN系統(tǒng)由特征提取網(wǎng)絡(luò)（FEN）、區(qū)域提議網(wǎng)絡(luò)（RPN）、感興趣區(qū)域（ROI）以及分類和回歸層組成。考慮到橡膠制品表面缺陷的特點(diǎn)，在基本的Faster R-CNN中加入了FPN的特征融合思想以提高缺陷檢測性能。

2.1 特征提取網(wǎng)絡(luò)

特征提取網(wǎng)絡(luò)是一個(gè)大型的區(qū)域提議網(wǎng)絡(luò)，可以從輸入的圖像中自動提取高級特征。在研究中，可以使用ResNet101來獲得高層次和語義強(qiáng)的特征。而ResNet101的基本結(jié)構(gòu)是一個(gè)瓶頸，可以有效解決網(wǎng)絡(luò)模型性能下降的問題，并引導(dǎo)深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)模型更深入的檢測聚丁二烯基橡膠制品缺陷［13］。瓶頸包含3個(gè)卷積層：1×1、3×3和1×1，后面分別是“Relu”激活函數(shù)，以及“快捷連接”，即跳過一個(gè)或多個(gè)層，直接將輸入映射到輸出，而不增加額外參數(shù)。

2.2 區(qū)域提議網(wǎng)絡(luò)

在特征融合之后，區(qū)域提議網(wǎng)絡(luò)（RPN）可以生成區(qū)域建議或感興趣的區(qū)域（ROI），即缺陷周圍的矩形區(qū)域，包括每個(gè)建議中的前景（包含缺陷）的概率。改進(jìn)的RPN是一個(gè)全卷積網(wǎng)絡(luò)，主要由一個(gè)3×3的卷積層和2個(gè)同級的1×1的卷積層實(shí)現(xiàn)的，用于分類和回歸［14］。將全卷積網(wǎng)絡(luò)（3×3卷積層和2個(gè)1×1卷積層）附加到特征提取網(wǎng)絡(luò)（FEN）輸出的每個(gè)特征圖上，然后生成幾個(gè)包含每個(gè)錨點(diǎn)的缺陷/非缺陷估計(jì)概率以及從錨點(diǎn)到區(qū)域建議的預(yù)測坐標(biāo)轉(zhuǎn)換的向量。

2.3 改進(jìn)ROI區(qū)域

改進(jìn)的RPN輸出的區(qū)域建議具有不同的維度，并且最終分類和回歸層的輸入需要相同的大小，因此ROI區(qū)域的目的是執(zhí)行最大檢測最大效率化，將任何建議內(nèi)的特征轉(zhuǎn)換為具有固定大?。ɡ?，7×7）的向量。首先，將不同大小的區(qū)域方案劃分為大小相等的部分，如7×7；然后，輸出每個(gè)部分中的最大值，并且可以獲得固定大小的向量［15］。此外，在進(jìn)行ROI區(qū)域確定操作之前，需要將帶有（x1，y1）和（x2，y2）的區(qū)域建議映射到橡膠制品特征圖中。將4個(gè)特征圖{P2，P3，P4，P5}輸入到ROI區(qū)域中，進(jìn)一步確定ROI區(qū)域范圍。并將寬度（w）和高度（h）（在輸入圖像上）的區(qū)域分配給特征圖Pk，如式（1）：

k=4+log2（wh/224）（1）

2.4 網(wǎng)絡(luò)訓(xùn)練

多尺度缺陷檢測網(wǎng)絡(luò)是由網(wǎng)絡(luò)的結(jié)構(gòu)和卷積層的權(quán)重組成。當(dāng)網(wǎng)絡(luò)結(jié)構(gòu)的設(shè)計(jì)完成后，需要獲得卷積層的最佳權(quán)重。網(wǎng)絡(luò)訓(xùn)練是一個(gè)實(shí)現(xiàn)權(quán)重優(yōu)化并引導(dǎo)網(wǎng)絡(luò)預(yù)測接近輸入真實(shí)性的過程，它由前向傳播和后向傳播組成。前向傳播是按照從輸入到輸出的順序計(jì)算和存儲網(wǎng)絡(luò)的中間變量（包括輸出）。后向傳播是指計(jì)算網(wǎng)絡(luò)的損失（輸出與輸入的真實(shí)性之差）并利用損失的梯度更新權(quán)重的方法［16］。多尺度缺陷檢測網(wǎng)絡(luò)的損失來自改進(jìn)的RPN以及分類和回歸層。在訓(xùn)練中，損失的選擇是非常重要的。對于分類層和回歸層，改進(jìn)的RPN是端到端訓(xùn)練的。因此使用Fast R-CNN中的多任務(wù)損失L來訓(xùn)練改進(jìn)的RPN：

L（pi，ti）=1Ncls∑Lcls（pi，pi*）+λ1Nreg∑ipi*×Lreg（ti，ti*）（2）

式中：i是一個(gè)小批量中的錨點(diǎn)索引，在分類損失中，p*和p分別為聚丁二烯基橡膠制品真實(shí)標(biāo)簽和預(yù)測的錨點(diǎn)缺陷的概率。在回歸損失中，ti和ti*分別代表錨點(diǎn)和預(yù)測區(qū)域建議以及錨點(diǎn)和地面實(shí)況框之間的幾何差異的向量，則ti*的計(jì)算方法為：

tx*=（Gx－Ax）/Awty*=（Gy－Ay）/Ahtw*=log（Gw/Aw）th*=log（Gh/Ah） （3）

此外，分類損失計(jì)算：

Lcls=∑i－p*i×log（pi）－（1－p*i）×log（1－pi）（4）

回歸損失計(jì)算：

Lreg=∑ismooth L1（t*i－ti）（smooothL1（x）=0.5x2 ifx<1x－0.5）（5）

此外，本文使用與改進(jìn)的RPN相同的損失來訓(xùn)練分類層和回歸層，這也是端到端的訓(xùn)練。

3 實(shí)驗(yàn)環(huán)境設(shè)定

在聚丁二烯基橡膠制品表面缺陷的識別研究中，實(shí)驗(yàn)使用Python 3.5，PyTorch作為深度學(xué)習(xí)庫，cuda 9.1和cudnn 5.1在谷歌云平臺上使用8GB內(nèi)存的NVIDA Tesla K80圖形處理單元（GPU）進(jìn)行。在訓(xùn)練多尺度缺陷檢測網(wǎng)絡(luò)時(shí)，本文對輸入圖像（分辨率為2 560×1 280）的短邊進(jìn)行了960倍的縮放，然后通過使其具有固定的平均值和方差對每張圖像進(jìn)行歸一化。在計(jì)算網(wǎng)絡(luò)的損失時(shí)，在RPN以及分類和回歸層的損失函數(shù)中都使用λ=1。此外，網(wǎng)絡(luò)的權(quán)重通過隨機(jī)梯度下降（SGD）進(jìn)行改進(jìn)［17］，包括0.001的學(xué)習(xí)率、0.9的動量和0.000 5的權(quán)重衰減。在網(wǎng)絡(luò)的訓(xùn)練中，使用一個(gè)批處理規(guī)模（批處理指的是輸入圖像的數(shù)量）和50個(gè)epochs來提高性能（epoch指的是網(wǎng)絡(luò)被訓(xùn)練的數(shù)量）。在評估物體檢測網(wǎng)絡(luò)的性能時(shí)，使用平均精度（AP）進(jìn)行多尺度缺陷檢測。

4 結(jié)果與討論

4.1 網(wǎng)絡(luò)模型訓(xùn)練損失

在網(wǎng)絡(luò)訓(xùn)練的過程中，有必要對訓(xùn)練數(shù)據(jù)集的損失進(jìn)行及時(shí)的可視化。并驗(yàn)證聚丁二烯基橡膠制品表面缺陷檢測是否有效，可以通過損失曲線的趨勢來判斷。此外，損失可以指導(dǎo)網(wǎng)絡(luò)中參數(shù)的調(diào)整，包括訓(xùn)練歷時(shí)、學(xué)習(xí)率、權(quán)重衰減和結(jié)構(gòu)優(yōu)化［18］。多尺度缺陷檢測網(wǎng)絡(luò)的總損失包括RPN中的分類損失和回歸損失，以及分類層和回歸層的分類損失和位置損失。在訓(xùn)練中，各種損失可以分別用rpn_cls_loss（學(xué)習(xí)率）、rpn_loc_loss（訓(xùn)練歷時(shí)）、roi_cls_loss（權(quán)重衰減）和roi_loc_loss（結(jié)構(gòu)優(yōu)化）表示。

訓(xùn)練期間的損失曲線如圖2所示。研究中，網(wǎng)絡(luò)在每個(gè)epoch中對所有訓(xùn)練數(shù)據(jù)集進(jìn)行訓(xùn)練，網(wǎng)絡(luò)的各種損失每50步記錄一次（一步等于一張圖片），因此所有損失曲線總共有2 700次迭代（一次迭代等于50步）。

如圖2所示，各種損失曲線均呈現(xiàn)下降的趨勢，在訓(xùn)練的開始階段，損失大幅度下降，說明學(xué)習(xí)率合適，開始呈梯度下降。其中rpn_loc_loss下降幅度較小，在0～500迭代期間內(nèi)，損失下降0.4，而roi_cls_loss下降幅度最大，損失下降0.5。且隨著迭代次數(shù)增加，在訓(xùn)練到一定的歷時(shí)后，損失曲線趨于穩(wěn)定，且rpn_cls_loss、rpn_loc_loss、roi_cls_loss、roi_loc_loss最終損失分別穩(wěn)定在0.08、0.13、0.07、0.1，進(jìn)一步表明網(wǎng)絡(luò)開始收斂。同時(shí)網(wǎng)絡(luò)損失的下降，可以有效提高聚丁二烯基橡膠制品表面缺陷檢測精度。

4.2 橡膠制品缺陷檢測

為進(jìn)一步評估深度學(xué)習(xí)網(wǎng)絡(luò)模型的檢測效果，對聚丁二烯基橡膠制品常見的劃痕、裂紋、氣泡、凹坑等缺陷進(jìn)行識別檢測。并統(tǒng)計(jì)每個(gè)缺陷類別的評估指標(biāo)。由表1可知，除了氣泡缺陷外，所有其他缺陷的準(zhǔn)確率都可以保持在0.98～1.00，召回率在0.99～1.00，F(xiàn)1分?jǐn)?shù)在0.998～1.00。氣泡缺陷由于其缺陷目標(biāo)小，聚丁二烯基橡膠制品有時(shí)具有致密的氣孔，因此精度低于其他類型的缺陷。而研究所建立的檢測模型對橡膠制品凹坑檢測準(zhǔn)確率較高，且召回率及F1分?jǐn)?shù)均達(dá)到最高（1.00）。因此建立的深度學(xué)習(xí)網(wǎng)絡(luò)模型可用于實(shí)際橡膠制品缺陷檢測。

4.3 檢測精度和檢測速度

為了驗(yàn)證Faster R-CNN網(wǎng)絡(luò)模型加入FPN的特征融合思想有效性，將本文設(shè)計(jì)的缺陷檢測網(wǎng)絡(luò)模型與YOLO v3、YOLO v5、原始Faster R-CNN和SSD網(wǎng)絡(luò)模型在表面缺陷數(shù)據(jù)上的訓(xùn)練結(jié)果進(jìn)行了對比，對比結(jié)果如表2所示。

不同的網(wǎng)絡(luò)模型對聚丁二烯基橡膠制品嚴(yán)重缺陷有較好的檢測效果，但對中等缺陷，特別是輕微缺陷的檢測精度卻明顯下降。改進(jìn)的Faster R-CNN網(wǎng)絡(luò)模型對三種不同類型的表面缺陷的平均精度為92.7%，改進(jìn)的Faster R-CNN的平均精度從83.1%提高到92.7%，對嚴(yán)重缺陷的平均精度為3.4%，對中等缺陷的平均精度為6.9%，對輕微缺陷的平均精度為18.5%。顯然，改進(jìn)后的Faster R-CNN網(wǎng)絡(luò)模型能夠更明顯地提高深度較淺橡膠制品小缺陷的檢測性能。此外，在檢測速度方面，在保證同一檢測設(shè)備的條件下，連續(xù)檢測缺陷樣本圖像，以每秒幀數(shù)（FPS）衡量檢測速度。其中，YOLO v3模型的檢測速度為27幀/s，YOLO v5模型的檢測速度為37幀/s，F(xiàn)aster R-CNN模型的檢測速度為17幀/s，SSD模型的檢測速度為35幀/s，而改進(jìn)的Faster R-CNN模型的檢測速度為15幀/s。本文設(shè)計(jì)的檢測算法對聚丁二烯基橡膠制品圖像的檢測時(shí)間約為0.5秒，檢測效率遠(yuǎn)高于目前的人工檢測方法，可以滿足企業(yè)實(shí)際生產(chǎn)環(huán)境中對橡膠制品表面缺陷的在線檢測速度要求［19-20］。

4.4 網(wǎng)絡(luò)模型精度及損失

由上述試驗(yàn)分析可知，改進(jìn)后的Faster R-CNN算法在檢測速度及準(zhǔn)確率等指標(biāo)方面上較為良好。為研究所建立網(wǎng)絡(luò)模型的精度及損失，使用相同的數(shù)據(jù)集分別在Faster R-CNN和改進(jìn)Faster R-CNN中進(jìn)行實(shí)驗(yàn)，然后比較實(shí)驗(yàn)中產(chǎn)生的精度數(shù)據(jù)和損失數(shù)據(jù)。如圖3（a）所示，F(xiàn)aster R-CNN在每次訓(xùn)練的迭代次數(shù)后計(jì)算出的精度平均值，有先下降后緩慢攀升的趨勢，在后半段的數(shù)值不穩(wěn)定。而改進(jìn)Faster R-CNN則是一開始精度不穩(wěn)定，然后慢慢爬升并穩(wěn)定下來。如圖3（b）所示，F(xiàn)aster R-CNN的總損失在50～100個(gè)歷時(shí)之間趨于穩(wěn)定，然后有3個(gè)相對較大的波峰。由于Faster R-CNN使用Adam優(yōu)化器，它可以比SGD（隨機(jī)梯度下降法）更快地收斂。而改進(jìn)Faster R-CNN的初始總損失相對較小，在100～150個(gè)歷時(shí)之間趨于穩(wěn)定，在80個(gè)歷時(shí)左右有一個(gè)小峰值。綜上所述，與Faster R-CNN相比，改進(jìn)Faster R-CNN在精度和總損失方面的收斂速度和收斂后的穩(wěn)定性都比Faster R-CNN好。

5 結(jié)語

在聚丁二烯基橡膠制品缺陷檢測領(lǐng)域，深度學(xué)習(xí)方法比傳統(tǒng)的計(jì)算機(jī)視覺方法更具優(yōu)勢。深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)模型不需要手動提取圖像特征，可以實(shí)現(xiàn)端到端的輸入檢測。將Faster R-CNN中加入了FPN的特征融合思想以提高缺陷檢測性能，并應(yīng)用于聚丁二烯基橡膠制品缺陷檢測領(lǐng)域，其平均精度可以達(dá)到92.7%，且改進(jìn)的Faster R-CNN模型的檢測速度為15幀/s，可以快速檢測橡膠制品缺陷。

【參考文獻(xiàn)】

［1］ 張濤，謝探陽，李玉梅，等.基于改進(jìn)YOLOv4算法的玻璃杯缺陷識別方法研究［J］.電子測量技術(shù)，2023，46（2）：46-51.

［2］ 魏彬，李璐.基于圖像增強(qiáng)技術(shù)的皮革制品表面缺陷自動檢測研究［J］.中國皮革，2022，51（12）：159-162.

［3］ 張東嶺.基于圖像處理的機(jī)械材料缺陷檢測技術(shù)研究［J］.粘接，2022，49（6）：39-43.

［4］ 問尋.實(shí)驗(yàn)用玻璃器皿缺陷檢測研究［J］.粘接，2021，47（8）：54-57.

［5］ 閻昊，劉奕陽.基于深度森林的人機(jī)協(xié)同工業(yè)制品表面缺陷識別［J］.計(jì)算機(jī)系統(tǒng)應(yīng)用，2022，31（12）：280-286.

［6］ 孟雨涵，沈天成，譚立，等.基于深度學(xué)習(xí)的注塑制品微缺陷快速智能檢測方法初探［J］.價(jià)值工程，2022，41（20）：111-113.

［7］ 樓豪杰，鄭元林，廖開陽，等.基于Siamese-YOLOv4的印刷品缺陷目標(biāo)檢測［J］.計(jì)算機(jī)應(yīng)用，2021，41（11）：3206-3212.

［8］ 張立新.基于表面缺陷檢測的金屬圖像識別［J］.粘接，2019，40（8）：121-123.

［9］ 湯光恒，鄧海波，湯大昶.基于計(jì)算機(jī)視覺塑料成型缺陷多維檢測的研究［J］.塑料科技，2020，48（7）：48-51.

［10］ 盧榮勝，吳昂，張騰達(dá)，等.自動光學(xué)（視覺）檢測技術(shù)及其在缺陷檢測中的應(yīng)用綜述［J］.光學(xué)學(xué)報(bào)，2018，38（8）：23-58.

［11］ 王鵬，呂家龍，李志浩，等.大厚度金屬增強(qiáng)橡膠復(fù)合材料的無損檢測試驗(yàn)研究［J］.材料開發(fā)與應(yīng)用，2018，33（3）：56-61.

［12］ 慕秀成.基于數(shù)學(xué)模型的金屬激光粘接缺陷檢測方法［J］.粘接，2019，40（12）：111-114.

［13］ 王雅琳，鄒江楓，王凱，等.基于本體引導(dǎo)的注塑知識圖譜構(gòu)建及缺陷溯因應(yīng)用［J］.電子與信息學(xué)報(bào)，2022，44（5）：1521-1529.

［14］ 劉坤鵬.輪胎缺陷實(shí)時(shí)監(jiān)測系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)［D］.濟(jì)南：山東大學(xué)，2022.

［15］ 劉漢舉.一種基于機(jī)器視覺和深度殘差收縮網(wǎng)絡(luò)的智能制造缺陷檢測方法［J］.中國科技論文，2023，18（4）：462-468.

［16］ 楊珂浩，于龍，高仕斌，等.基于無監(jiān)督知識蒸餾的高鐵絕緣子缺陷檢測算法［J］.電氣化鐵道，2023，34（1）：9-14.

［17］ 譚立志.基于卷積神經(jīng)網(wǎng)絡(luò)的火花塞表面缺陷檢測研究［J］.自動化與儀表，2023，38（1）：64-69.

［18］ 蔣美仙，鄭碧佩，鄭佳美，等.基于Deeplab-V3的焊縫缺陷檢測應(yīng)用研究［J］.浙江工業(yè)大學(xué)學(xué)報(bào)，2021，49（4）：416-422.

［19］ 張翠，楊志清，周茂杰.基于雙通道卷積神經(jīng)網(wǎng)絡(luò)的缺陷檢測［J］.模具工業(yè)，2020，46（11）：13-17.

［20］ 邢羽琪，唐軼，馬學(xué)玉.竹纖維改性合成混凝材料表面缺陷檢測技術(shù)優(yōu)化［J］.粘接，2023，50（2）：129-133.