裂缝是路面最主要的病害之一，及时、有效地检测和评估裂缝对路面养护至关重要。为实现路面裂缝图像快速、准确的语义分割，提出一种基于DeepLabv3+模型的路面裂缝检测方法。为减小模型参数量、提高推理速度，采用MobileNetv3作为模型的主干特征提取网络，且在空洞空间金字塔池化模块中使用Ghost卷积代替普通卷积，使模型更加轻量化。为避免替换主干网络降低模型精度：首先，在空洞空间金字塔池化模块中使用条形池化模块代替全局平均池化，有效捕获裂缝结构的上下文信息，避免无关区域噪声的干扰；其次，引入轻量级通道注意力机制efficient channel attention（ECA）模块，增强特征的表达能力，并设计浅层特征融合结构丰富图像的细节信息，优化模型对裂缝的识别效果；最后，构造混合损失函数解决裂缝数据集类别不平衡而导致检测精度较低的问题，利用迁移学习的训练方式提高模型的泛化能力。实验结果表明：所提路面裂缝检测模型参数仅为14.53 MB，比原模型参数量减少93.04%，平均帧率达到47.18，满足实时检测的要求；在精度方面，该模型裂缝检测结果的交并比和F1值分别为57.21%和72.76%，优于经典的DeepLabv3+、PSPNet、U-Net模型和先进的FPBHN、ACNet等模型。所提方法可大幅减小模型参数量，在保证路面裂缝检测精度的同时满足实时性，为基于语义分割的路面裂缝在线检测奠定基础。
图像处理 路面裂缝检测 语义分割 DeepLabv3+ 轻量化 检测精度 激光与光电子学进展
2024, 61(8): 0812001
合肥京东方显示技术有限公司，安徽 合肥 230012
晕开缺陷（Particle Gap）是液晶面板常见缺陷之一，在工业生产中需要准确评价缺陷的严重等级。传统评价方法存在准确率低、误差大的问题。本文基于Particle Gap缺陷的形态与颜色特征，利用Photo Shop软件设计了Particle Gap电子限度样本，提高了缺陷等级评价的准确率。首先根据形态将缺陷分为4类，通过色彩分析仪分析发现圆形有核和圆形无核两类缺陷的颜色呈各向同性，从中心向边缘分为均匀渐变和非均匀渐变两类；然后建立了Particle Gap电子限度样本模型，经过对比实验找出了不同等级之间精准的电子限度样本；最后分析得出Particle Gap色域范围为色相H∈［30°，45°］，饱和度S∈［2%，56%］，明度B∈［15%，66%］。随着缺陷由轻变重，色相总体呈减小趋势，饱和度逐渐增大，明度先升高后降低，为制作与修订电子限度样本提供了参考。该限度样本应用于H公司面板检测工序后，Particle Gap等级准确率提高7.1%以上，因错检造成的产品和材料损失显著降低，在缺陷检测领域具有重大应用价值。
Particle Gap缺陷 限度样本 HSB颜色值 检测准确率 Particle Gap defect limit sample HSB color value accuracy of detection
光电编码器检测系统的误差主要受基准光电编码器测角误差、数据采集误差、检测系统同轴误差影响。其中，基准光电编码器的测角误差可进行补偿。因此设计了一种基于极度梯度提升树（extreme gradient boosting，XGBoost）机器学习的算法用来补偿基准光电编码器的误差。经该算法补偿后，静态精度提高了35倍，标准差由3.62″减小至0.13″，最大误差值由5.53″降低至0.39″。与传统的误差反传（back progagation，BP）神经网络算法以及径向基函数（radial basis function，RBF）神经网络算法补偿效果相比，XGBoost的补偿效果更优。XGBoost机器学习算法有效降低了基准光电编码器的测量误差，提高了光电编码器检测系统的检测精度。
光电编码器 误差补偿 XGBoost 检测精度 photoelectric encoder error compensation XGBoost accuracy of detection
