第１８卷第４期２０２３年４月中国科技论文ＣＨＩＮＡＳＣＩＥＮＣＥＰＡＰＥＲＶｏｌ．１８Ｎｏ．４Ａｐｒ．２０２３一种基于机器视觉和深度残差收缩网络的智能制造缺陷检测方法刘汉举（湖北工业大学工程技术学院，武汉４３００６８）摘要：针对基于显性知识的智能制造缺陷检测机制在工程实践中日益凸显的若干缺陷，提出了一种基于机器视觉和深度残差收缩网络（ｄｅｅｐｒｅｓｉｄｕａｌｓｈｒｉｎｋａｇｅｎｅｔｗｏｒｋｓ，Ｄ－ＲＳＮ）的智能制造缺陷检测方法，并进行了先验环境下的仿真验证。首先利用互补金属氧化物半导体（ｃｏｍｐｌｅｍｅｎｔａｒｙｍｅｔａｌｏｘｉｄｅｓｅｍｉｃｏｎｄｕｃｔｏｒ，ＣＭＯＳ）相机集群搭建快速机器视觉图像获取装置，形成融合前置训练集和后置测试集的图像特征数据池；然后利用Ｄ－ＲＳＮ对数据池前置训练集进行图像缺陷特征隐性知识学习辨识，构建时间正序下的图像缺陷特征全息感知机制；最后利用深度长短期记忆（ｄｅｅｐｌｏｎｇｓｈｏｒｔ－ｔｅｒｍｍｅｍｏｒｙ，Ｄ－ＬＳＴＭ）神经网络对数据池后置测试集进行图像缺陷自主检测，借助图像缺陷定位及分类函数输出检测结果。选取某医用外科口罩智能制造生产线为工程实践验证载体，对模型进行了工程应用实践验证，结果表明：所提方法较好地改善了基于显性知识的智能制造缺陷检测机制在工程实践中日益凸显的若干缺陷，可以自主学习辨识图像缺陷特征隐性知识，大幅度提高了智能制造缺陷检测有效率，图像缺陷检测均值有效率达９８．３７％，符合医用外科口罩智能制造生产线国检要求。关键词：机器视觉；深度残差收缩网络；深度长短期记忆神经网络；智能制造；缺陷检测中图分类号：ＴＰ３９１．９文献标志码：Ａ文章编号：２０９５２７８３（２０２３）０４０４６２０７开放科学（资源服务）标识码（ＯＳＩＤ）：ＡｎｉｎｔｅｌｌｉｇｅｎｔｍａｎｕｆａｃｔｕｒｉｎｇｄｅｆｅｃｔｄｅｔｅｃｔｉｏｎｍｅｔｈｏｄｂａｓｅｄｏｎｍａｃｈｉｎｅｖｉｓｉｏｎａｎｄｄｅｅｐｒｅｓｉｄｕａｌｓｈｒｉｎｋａｇｅｎｅｔｗｏｒｋｓＬＩＵＨａｎｊｕ（ＥｎｇｉｎｅｅｒｉｎｇａｎｄＴｅｃｈｎｏｌｏｇｙＣｏｌｌｅｇｅ，ＨｕｂｅｉＵｎｉｖｅｒｓｉｔｙｏｆＴｅｃｈｎｏｌｏｇｙ，Ｗｕｈａｎ４３００６８，Ｃｈｉｎａ）Ａｂｓｔｒａｃｔ：Ａｉｍｉｎｇａｔｔｈｅｄｅｆｅｃｔｓｏｆｔｈｅｄｅｆｅｃｔｄｅｔｅｃｔｉｏｎｍｅｃｈａｎｉｓｍｏｆｉｎｔｅｌｌｉｇ...
