针对智能手机玻璃盖板缺陷检测方法存在检测柔性差、良率低、检测时间长等问题, 提出一种改进YOLOv3的智能手机玻璃盖板缺陷检测方法。在特征提取网络方面增加通道注意力机制以解决缺陷特征不明显的问题, 在特征检测网络方面增加了104×104维度大小的特征图以解决缺陷多尺度的问题, 最后对模型进行剪枝减少模型参数, 提高缺陷检测速度。从智能手机玻璃盖板生产现场获得涵盖崩边、坑点、脏污和划痕等4类缺陷的图片构建缺陷数据集, 对本文提出的方法和Faster R-CNN、YOLOv3、YOLOv4等算法进行对比实验和分析。实验结果表明, 本文提出方法的检测平均精度均值（mean Average Precision, mAP)为81.0%, 检测速度为43.1 fps。相比原始YOLOv3算法, 检测mAP提升了3%, 检测速度增加了6.7 fps, 相比于其他深度学习算法, 检测速度和检测精度均有所提升。所提方法满足智能手机玻璃盖板工业生产现场缺陷高精度、高效检测的需要。

针对薄壁件振动测量的需求,将双目视觉与特征匹配跟踪结合,提出了一种较为准确的薄壁件振动测量方法。先利用双目相机连续采集薄壁件的振动图像,并进行滤波和二值化等图像预处理操作;再选取左右相机拍摄的第一帧图像,根据极线约束原理对图像上的特征点进行立体匹配;利用改进后的光流法对第一帧图像上的特征点进行跟踪,从而获得第二帧到最后一帧图像上特征点准确的像素坐标;最后根据双目视觉测量原理获得物体的三维振动位移信息。实验研究和分析结果表明,该方法能够准确测量薄壁件的振动位移信息,为进一步开展振动特性分析、减振优化设计和结构损伤识别等研究提供一种新的技术参考。