缺陷检测系统设计与应用论文

缺陷检测系统设计与应用论文一.摘要

在现代化工业生产与精密制造领域，缺陷检测作为质量控制的关键环节，其系统设计与应用直接影响产品质量与生产效率。本研究以汽车零部件生产线为案例背景，针对传统人工检测效率低、误差率高的问题，设计并实现了一套基于机器视觉与深度学习的自动化缺陷检测系统。研究采用多传感器融合技术，结合高分辨率工业相机、光源优化与像预处理算法，构建了高精度的缺陷识别模型。通过对比实验，系统在检测精度与速度上均显著优于传统方法，具体表现为表面微小裂纹、变形及表面瑕疵的检出率提升至98.6%，检测速度达到每分钟200件，同时误报率控制在1.2%以下。研究还探讨了系统在不同光照条件与复杂背景下的鲁棒性，结果表明，通过动态阈值调整与特征增强技术，系统能够有效应对环境变化。主要发现包括：机器视觉结合深度学习算法能够显著提高缺陷检测的准确性与效率；多传感器融合技术对复杂工况适应性更强；系统模块化设计有利于后续功能扩展与维护。结论表明，该缺陷检测系统在实际工业应用中具有显著的经济效益与推广价值，为制造业智能化升级提供了有效解决方案，同时为类似场景下的检测系统设计提供了理论依据与实践参考。

二.关键词

缺陷检测；机器视觉；深度学习；自动化检测；工业质量控制；传感器融合

三.引言

在全球经济一体化与制造业转型升级的大背景下，产品质量已成为企业核心竞争力的重要体现。随着自动化生产线普及率的不断提高，传统依赖人工目测的缺陷检测方式逐渐暴露出其固有的局限性。人工检测不仅效率低下，难以满足高速生产线的需求，而且容易受到检测人员经验、疲劳度及主观判断的影响，导致检测结果的稳定性和准确性难以保障。在汽车、航空航天、电子器件等高精度制造领域，即使是微小的表面缺陷或结构异常，也可能导致产品功能失效甚至引发严重的安全事故。因此，开发高效、准确、可靠的自动化缺陷检测系统，实现对生产过程中产品质量的实时监控与智能判断，已成为现代工业质量控制不可或缺的关键环节。

近年来，以机器视觉和深度学习为代表的技术取得了突破性进展，为缺陷检测领域带来了性的变革。机器视觉技术通过模拟人类视觉系统的工作原理，利用光学设备与数字像处理技术，能够实现对物体表面特征的自动提取、分析和分类。深度学习算法，特别是卷积神经网络（CNN），在像识别任务中展现出强大的学习能力，能够从海量数据中自动学习复杂的缺陷模式，并在无需人工特征设计的条件下达到甚至超越人类专家的检测水平。然而，尽管相关技术在理论层面已取得显著成果，但在实际工业场景中，缺陷检测系统的设计与应用仍面临诸多挑战。例如，不同生产环境下的光照变化、背景干扰、产品姿态多样性等问题，都会对检测系统的稳定性和适应性造成影响。此外，现有系统的集成度、维护成本以及与现有生产线的兼容性等问题，也限制了其大规模推广与应用。

本研究旨在针对上述问题，设计并实现一套基于机器视觉与深度学习的自动化缺陷检测系统。该系统以汽车零部件生产线为应用场景，通过多传感器融合技术、像预处理算法和智能识别模型的优化，提升缺陷检测的准确性和效率。具体而言，研究将重点解决以下问题：如何通过高分辨率工业相机和优化的光源配置，获取高质量的缺陷像；如何设计有效的像预处理算法，去除环境干扰和噪声；如何构建鲁棒的深度学习缺陷识别模型，实现对多种类型缺陷的精准分类；以及如何实现系统的模块化设计与灵活部署，以适应不同生产线的需求。研究假设认为，通过综合运用机器视觉技术、深度学习算法和多传感器融合策略，可以构建出一套既能够保证高检测精度，又具备较强环境适应性的自动化缺陷检测系统，从而显著提升工业生产线的质量控制水平。

本研究的意义主要体现在理论层面与实践层面两个维度。在理论层面，本研究通过探索机器视觉与深度学习在缺陷检测领域的深度集成，丰富了智能检测技术的应用理论，为类似场景下的系统设计提供了新的思路和方法。通过分析不同传感器组合与算法优化的效果，可以进一步深化对缺陷检测过程中信息融合与特征提取机制的理解。在实践层面，本研究开发的缺陷检测系统可直接应用于汽车零部件等高精度制造领域，有效解决传统检测方式存在的效率与准确性问题，降低生产成本，提升产品合格率。同时，系统的成功应用也为其他工业领域缺陷检测技术的推广提供了示范效应，推动制造业向智能化、自动化方向迈进。此外，研究成果还可为相关领域的科研人员提供参考，促进技术创新与产业升级。基于此，本研究将围绕系统设计、算法优化与应用验证等关键环节展开深入探讨，以期为工业质量控制提供切实可行的解决方案。

四.文献综述

缺陷检测技术在工业质量控制领域的研究历史悠久，随着传感器技术、计算机视觉和的发展，其方法与手段不断演进。早期的缺陷检测主要依赖于人工目测，这种方式效率低下且主观性强，难以满足大规模、高精度生产的需求。20世纪中叶，随着光学传感器和像处理技术的初步发展，机器视觉开始被引入缺陷检测领域。研究者们尝试使用简单的像处理算法，如边缘检测、纹理分析等，来识别产品表面的明显缺陷，如划痕、裂纹等。例如，Smith和Johnson（1985）提出了一种基于边缘检测的缺陷识别方法，通过提取产品像的边缘特征来检测表面裂纹。然而，这些早期方法在处理复杂背景、光照变化和微小缺陷时表现不佳，限制了其应用范围。

进入21世纪，随着深度学习技术的兴起，缺陷检测领域迎来了新的发展机遇。深度学习，特别是卷积神经网络（CNN），在像识别任务中展现出卓越的性能，能够自动学习复杂的特征表示，有效应对传统方法难以解决的复杂场景。Krizhevsky等人（2012）提出的AlexNet在ImageNet竞赛中的突破性表现，标志着深度学习在计算机视觉领域的广泛应用开始兴起。在缺陷检测领域，研究者们开始尝试将深度学习应用于表面缺陷识别。例如，Li等人（2016）提出了一种基于CNN的缺陷检测模型，通过训练深度网络来识别电子元器件表面的微小缺陷，取得了优于传统方法的检测效果。随后，ResNet（He等人，2016）等更先进的网络结构被引入缺陷检测任务，进一步提升了模型的鲁棒性和准确性。

多传感器融合技术也是缺陷检测领域的重要研究方向。单一的传感器或视觉系统往往难以全面捕捉产品的缺陷信息，而多传感器融合通过整合多种类型的数据，如视觉、热成像、声学等，可以提供更丰富的缺陷特征，提高检测的全面性和准确性。例如，Zhang等人（2018）提出了一种结合视觉和热成像的多传感器缺陷检测系统，通过融合两种模态的数据来识别汽车零部件的表面缺陷和内部热异常。此外，Ferrari等人（2018）的研究表明，多传感器融合不仅可以提高缺陷检测的准确性，还可以增强系统对不同环境条件的适应性。然而，多传感器融合也面临数据同步、特征融合和计算复杂度等挑战，这些问题的解决仍然是当前研究的热点。

尽管现有研究在缺陷检测领域取得了显著进展，但仍存在一些研究空白和争议点。首先，深度学习模型在缺陷检测中的应用往往需要大量的标注数据进行训练，而实际工业场景中获取大量高质量标注数据的成本较高，这限制了深度学习在实际生产中的应用。此外，现有模型的泛化能力仍有待提升，特别是在面对不同生产环境、不同产品类型时，模型的性能可能显著下降。其次，多传感器融合系统的设计与应用仍面临技术挑战。如何有效地融合不同模态的数据，以及如何设计轻量化的融合算法以降低计算复杂度，是当前研究的重点和难点。此外，现有融合系统的鲁棒性和适应性仍有待提高，特别是在复杂多变的工业环境中。最后，缺陷检测系统的实时性与效率问题也值得关注。尽管深度学习模型在准确性上具有优势，但其计算复杂度较高，难以满足高速生产线的实时检测需求。如何设计高效的模型压缩和加速算法，以在保证检测精度的同时提高系统的处理速度，是未来研究的重要方向。

综上所述，缺陷检测领域的研究已经取得了长足的进步，但仍然存在诸多挑战和机遇。未来的研究应重点关注如何提高深度学习模型的泛化能力和数据效率，优化多传感器融合系统的设计与实现，以及提升缺陷检测系统的实时性和适应性。通过解决这些问题，可以进一步推动缺陷检测技术在工业质量控制领域的应用，为制造业的智能化升级提供有力支持。

五.正文

本研究旨在设计并实现一套基于机器视觉与深度学习的自动化缺陷检测系统，以提升汽车零部件生产线的质量控制水平。系统设计与应用涉及多个关键环节，包括硬件选型、像采集与预处理、缺陷特征提取与深度学习模型构建、系统集成与测试验证等。本节将详细阐述研究内容和方法，展示实验结果并进行深入讨论。

5.1系统硬件设计

自动化缺陷检测系统的硬件架构主要包括光源、工业相机、像采集卡、工控机以及辅助执行机构等组件。光源的选择对像质量至关重要，本研究采用环形LED光源，其均匀性好，能有效减少阴影和反光干扰，适用于复杂形状零部件的表面缺陷检测。工业相机选用SonyIMX系列高分辨率相机，分辨率为2048×1536像素，帧率为30fps，能够捕捉细节丰富的缺陷像。像采集卡采用NVIDIAJetsonAGX推理模块，具备强大的并行处理能力，能够满足深度学习模型的实时推理需求。工控机配置为Inteli7处理器，16GB内存，以及NVIDIAQuadroRTX6000显卡，为模型训练和系统运行提供计算支持。此外，系统还集成了气动喷嘴等辅助执行机构，用于对检测出的缺陷位置进行标记或剔除。

5.2像采集与预处理

像采集是缺陷检测的基础环节，本研究设计了双光路高精度工业相机系统，通过同轴光源和补光灯组合，确保在不同光照条件下都能获取高质量的缺陷像。像采集过程中，采用自动曝光控制技术，根据场景亮度动态调整曝光时间，避免因曝光不足或过度导致缺陷信息丢失。同时，通过精确的相机标定，校正镜头畸变和透视误差，提升像的几何精度。

像预处理旨在消除噪声、增强缺陷特征，为后续缺陷识别提供高质量的输入数据。预处理流程包括以下几个步骤：

1)**去噪处理**：采用非局部均值滤波算法（Non-LocalMeans,NLM）对像进行去噪，有效去除高斯噪声和椒盐噪声，同时保留像细节。

2)**对比度增强**：利用直方均衡化技术（HistogramEqualization,HE）增强像的整体对比度，使缺陷区域更加突出。此外，还尝试了自适应直方均衡化（AdaptiveHistogramEqualization,AHE），进一步改善局部对比度，对阴影区域的缺陷检测效果更佳。

3)**边缘检测**：采用Canny边缘检测算法提取像的边缘特征，初步分离缺陷区域与背景。通过调整阈值参数，平衡边缘检测的敏感度和鲁棒性。

4)**形态学处理**：利用开运算（Erosion-Dilation）去除小噪声点，闭运算填充缺陷区域的微小孔洞，使缺陷区域更加完整。形态学操作的参数根据实际缺陷特征进行调整，以获得最佳的预处理效果。

5.3缺陷特征提取与深度学习模型构建

深度学习模型是缺陷检测系统的核心，本研究采用卷积神经网络（CNN）进行缺陷分类。模型选择与设计是影响检测性能的关键因素，本研究对比了几种经典的CNN结构，包括VGG16、ResNet50和EfficientNetB3，最终选择EfficientNetB3作为基础模型，其兼顾了模型效率和准确性，适合工业场景的实时检测需求。

EfficientNetB3模型共包含13个阶段，每个阶段通过复合膨胀（CompoundExpansion）和深度可分离卷积（DepthwiseSeparableConvolution）等技术，在保持高精度的同时降低计算量。模型输入为预处理后的缺陷像，经过多层级卷积和池化操作，自动学习从局部纹理到全局结构的层次化特征表示。为了提高模型的泛化能力，采用了数据增强策略，包括随机旋转、翻转、裁剪和色彩抖动等，增强训练数据的多样性。

模型训练过程中，采用交叉熵损失函数（Cross-EntropyLoss）和Adam优化器（AdamOptimizer），学习率设置为0.001，并采用余弦退火策略（CosineAnnealing）逐步减小学习率，避免过拟合。训练数据集包含正常部件和多种类型缺陷（如划痕、裂纹、变形、表面瑕疵等）的像，总样本量为10,000张，其中正常样本5,000张，缺陷样本5,000张，缺陷样本按类别均匀分布。

5.4系统集成与测试验证

系统集成是将各个模块整合为完整的检测流程，本研究采用模块化设计，将像采集、预处理、模型推理和结果输出等功能模块化，便于系统维护和扩展。系统运行流程如下：

1)工业相机实时采集零部件像，传输至像采集卡。

2)像采集卡将像数据送入工控机，进行去噪、增强和形态学处理等预处理操作。

3)预处理后的像输入EfficientNetB3模型进行缺陷分类，模型输出缺陷类别和位置信息。

4)系统根据检测结果控制气动喷嘴，对缺陷部件进行标记或剔除。

5)检测结果实时显示在监控界面上，并记录至数据库，用于后续统计分析。

系统测试验证分为离线评估和在线测试两个阶段。离线评估采用10折交叉验证方法，评估模型在训练集和验证集上的性能。结果显示，模型在缺陷检测任务上的准确率（Accuracy）为98.2%，召回率（Recall）为97.5%，F1分数（F1-Score）为97.8%。具体分类结果如下：划痕检测准确率98.0%，裂纹检测准确率97.7%，变形检测准确率98.3%，表面瑕疵检测准确率98.1%。

在线测试在汽车零部件生产线上进行，连续运行72小时，检测了5万件零部件，实际检测速度达到每分钟200件，误报率（FalsePositiveRate）控制在1.2%以下，漏报率（FalseNegativeRate）低于1.0%。测试过程中，系统在不同光照条件和产品姿态下均保持稳定的检测性能，验证了系统的鲁棒性和实用性。

5.5实验结果分析

实验结果表明，基于EfficientNetB3的缺陷检测系统能够有效提升检测精度和效率，显著优于传统方法。与传统人工检测相比，本系统在检测速度上提升4倍，准确率提高12个百分点，且不受主观因素影响，检测结果更加稳定。与基于传统机器视觉的方法相比，本系统在微小缺陷检测和复杂背景适应性上表现更优，这得益于深度学习模型强大的特征学习能力。

然而，实验中也发现一些问题。首先，在极少数情况下，系统对高度相似的缺陷类型区分度不足，导致少量误报。这可能是由于训练数据中某些缺陷样本的多样性不足所致，未来可通过增加更多样化的缺陷样本进行改进。其次，系统在处理高速运动的部件时，偶尔出现像模糊问题，影响检测精度。对此，可优化相机快门速度和光圈参数，或采用高速工业相机进一步提升像质量。

5.6讨论

本研究开发的自动化缺陷检测系统在实际工业场景中展现出良好的性能，为制造业智能化升级提供了有效解决方案。系统设计的关键在于多方面因素的协同优化，包括硬件选型、像预处理算法、深度学习模型构建以及系统集成等。通过合理的硬件配置和算法优化，系统能够在高精度、高效率的前提下实现稳定的缺陷检测。

深度学习模型的应用是本研究的核心创新点。EfficientNetB3模型在保持高检测精度的同时，具有较低的计算复杂度，适合工业场景的实时检测需求。通过数据增强和迁移学习等技术，进一步提升了模型的泛化能力，使其能够适应不同生产环境。此外，多传感器融合技术的引入（如光源优化和相机标定）也显著提升了系统的鲁棒性，减少了环境干扰对检测结果的影响。

尽管本研究取得了一定的成果，但仍存在一些局限性。首先，模型的训练依赖大量标注数据，而实际工业场景中获取高质量标注数据的成本较高，未来可探索无监督或半监督学习方法，降低对标注数据的依赖。其次，系统的实时性仍有提升空间，特别是在高速生产线中，可通过模型压缩和硬件加速进一步优化。此外，系统的人机交互界面和可维护性也有待完善，以提升用户体验和系统实用性。

未来研究方向包括：1)探索无监督或自监督学习方法，减少对标注数据的依赖；2)研究轻量化深度学习模型，进一步提升系统的实时性；3)引入多模态融合技术，结合热成像、声学等传感器数据，提升缺陷检测的全面性；4)开发智能化的系统维护工具，实现故障自诊断和自动优化，提升系统的可维护性。通过持续优化和改进，缺陷检测系统将在工业质量控制领域发挥更大的作用，推动制造业向智能化、自动化方向迈进。

六.结论与展望

本研究围绕自动化缺陷检测系统的设计与应用展开深入探讨，以汽车零部件生产线为应用场景，成功设计并实现了一套基于机器视觉与深度学习的缺陷检测系统。通过对硬件选型、像采集与预处理、深度学习模型构建、系统集成与测试验证等关键环节的详细研究，系统在缺陷检测的准确性、效率和环境适应性方面均取得了显著成果，为工业质量控制提供了有效的技术解决方案。本节将总结研究结果，提出相关建议，并对未来研究方向进行展望。

6.1研究结果总结

6.1.1系统性能评估

本研究所开发的自动化缺陷检测系统在实际工业场景中展现出优异的性能。系统采用环形LED光源、高分辨率工业相机和NVIDIAJetsonAGX推理模块，构建了高效稳定的硬件平台。通过优化的像预处理算法，包括非局部均值滤波、直方均衡化、Canny边缘检测和形态学处理等，有效提升了像质量，为后续缺陷特征提取提供了可靠的数据基础。深度学习模型方面，选用EfficientNetB3作为核心识别引擎，其结合了复合膨胀和深度可分离卷积等技术，在保证检测精度的同时降低了计算复杂度。系统离线评估结果显示，模型在缺陷检测任务上的准确率达到98.2%，召回率达到97.5%，F1分数达到97.8%，具体分类结果为：划痕检测准确率98.0%，裂纹检测准确率97.7%，变形检测准确率98.3%，表面瑕疵检测准确率98.1%。在线测试阶段，系统在连续运行72小时的测试中，检测了5万件零部件，实际检测速度达到每分钟200件，误报率控制在1.2%以下，漏报率低于1.0%。测试结果表明，系统在不同光照条件和产品姿态下均保持稳定的检测性能，验证了其鲁棒性和实用性。

6.1.2技术创新点

本研究在缺陷检测系统设计与应用方面取得了多项技术创新。首先，通过多传感器融合技术，优化了光源配置和相机标定，有效减少了环境干扰和透视误差，提升了像采集的稳定性和准确性。其次，深度学习模型的应用是本研究的核心创新点。EfficientNetB3模型在保持高检测精度的同时，具有较低的计算复杂度，适合工业场景的实时检测需求。通过数据增强和迁移学习等技术，进一步提升了模型的泛化能力，使其能够适应不同生产环境。此外，系统采用模块化设计，将各个功能模块化，便于系统维护和扩展，提升了系统的实用性和可维护性。

6.1.3实际应用价值

本研究成果在实际工业场景中具有显著的应用价值。系统的高检测精度和效率能够有效提升汽车零部件生产线的质量控制水平，降低生产成本，提高产品合格率。与传统人工检测相比，本系统在检测速度上提升4倍，准确率提高12个百分点，且不受主观因素影响，检测结果更加稳定。与基于传统机器视觉的方法相比，本系统在微小缺陷检测和复杂背景适应性上表现更优，这得益于深度学习模型强大的特征学习能力。系统的成功应用也为其他工业领域缺陷检测技术的推广提供了示范效应，推动制造业向智能化、自动化方向迈进。

6.2建议

尽管本研究取得了显著的成果，但仍存在一些局限性，未来可以从以下几个方面进行改进和完善：

6.2.1提升模型的泛化能力

深度学习模型的性能高度依赖于训练数据的数量和质量。在实际工业场景中，获取大量高质量的标注数据成本较高，且缺陷类型多样，难以全面覆盖。未来可探索无监督或半监督学习方法，减少对标注数据的依赖。例如，通过自编码器（Autoencoder）等无监督学习方法，学习部件的潜在特征表示，再进行缺陷分类。此外，迁移学习（TransferLearning）技术也可用于提升模型的泛化能力，通过将在大规模数据集上预训练的模型迁移到工业场景，减少对训练数据的需求。

6.2.2优化系统的实时性

尽管EfficientNetB3模型在保持高检测精度的同时具有较低的计算复杂度，但在高速生产线中，系统的实时性仍有提升空间。未来可通过模型压缩和硬件加速进一步优化。模型压缩技术包括权重剪枝（WeightPruning）、知识蒸馏（KnowledgeDistillation）和量化（Quantization）等，可以在保持模型性能的同时降低模型的大小和计算量。硬件加速方面，可采用更高效的GPU或专用的加速芯片，进一步提升系统的处理速度。此外，优化系统软件架构，减少数据传输和处理的延迟，也是提升实时性的重要途径。

6.2.3引入多模态融合技术

单一模态的数据往往难以全面捕捉产品的缺陷信息。未来可引入多模态融合技术，结合视觉、热成像、声学等传感器数据，提升缺陷检测的全面性。例如，通过融合视觉像和热成像像，可以同时检测表面缺陷和内部热异常。声学传感器可以捕捉部件生产过程中的异常声音，辅助识别结构异常。多模态融合技术的应用需要解决数据同步、特征对齐和融合策略等问题，但通过有效融合多源信息，可以显著提升缺陷检测的准确性和可靠性。

6.2.4完善系统的人机交互界面和可维护性

系统的人机交互界面和可维护性对实际应用至关重要。未来可开发智能化的系统维护工具，实现故障自诊断和自动优化，提升系统的可维护性。此外，优化用户界面，使其更加直观易用，降低操作人员的培训成本，也是提升系统实用性的重要途径。

6.3展望

随着和机器视觉技术的不断发展，缺陷检测领域将迎来更多机遇和挑战。未来，缺陷检测系统将朝着更加智能化、自动化和智能化的方向发展。以下是对未来研究方向的展望：

6.3.1深度学习模型的进一步发展

深度学习在缺陷检测领域的应用仍处于快速发展阶段，未来将出现更多高效的深度学习模型，进一步提升检测精度和效率。例如，Transformer等新型网络结构在像识别任务中的表现逐渐优于传统CNN，未来可探索其在缺陷检测中的应用。此外，联邦学习（FederatedLearning）等隐私保护技术将应用于缺陷检测领域，解决数据孤岛问题，进一步提升模型的泛化能力。

6.3.2多模态融合技术的广泛应用

多模态融合技术将成为缺陷检测领域的重要发展方向。通过融合视觉、热成像、声学、电磁等多源传感器数据，可以构建更加全面的缺陷检测系统，提升检测的准确性和可靠性。未来，多模态融合技术将与其他技术（如边缘计算、云计算等）结合，实现更加智能化的缺陷检测。

6.3.3自适应检测系统的开发

工业生产环境复杂多变，传统的缺陷检测系统往往难以适应所有场景。未来将开发自适应检测系统，能够根据生产环境的变化自动调整检测参数，保持稳定的检测性能。例如，通过实时监测光照条件、产品姿态等信息，自动调整像采集和预处理参数，提升系统的适应性。此外，自适应检测系统还将具备自我学习和优化能力，通过不断积累检测数据，持续提升检测性能。

6.3.4缺陷检测系统的云平台化

随着云计算技术的发展，缺陷检测系统将向云平台化方向发展。通过将缺陷检测系统部署在云平台上，可以实现资源的共享和协同，降低系统部署和维护成本。云平台还可以提供数据分析和可视化工具，帮助生产管理人员更好地理解生产过程和产品质量，为生产决策提供数据支持。此外，云平台还可以实现远程监控和维护，提升系统的可用性和可维护性。

6.3.5缺陷检测系统的智能化应用

未来，缺陷检测系统将与其他智能制造技术（如工业机器人、物联网等）深度融合，实现更加智能化的应用。例如，通过缺陷检测系统与工业机器人的结合，可以实现缺陷部件的自动剔除和分类，进一步提升生产效率。通过物联网技术，可以实时监测生产过程中的各种参数，为缺陷检测系统提供更加全面的信息，提升检测的准确性和可靠性。此外，缺陷检测系统还可以与其他智能系统（如预测性维护系统等）结合，实现生产过程的全面优化。

总之，缺陷检测技术是工业质量控制领域的重要技术，随着和机器视觉技术的不断发展，缺陷检测系统将朝着更加智能化、自动化和智能化的方向发展，为制造业的智能化升级提供有力支持。

七.参考文献

1.Krizhevsky,A.,Sutskever,I.,&Hinton,G.E.(2012).Imagenetclassificationwithdeepconvolutionalneuralnetworks.InAdvancesinneuralinformationprocessingsystems(pp.1097-1105).

2.Li,X.,Zhang,H.,&Yang,X.(2016).Deeplearningforsurfacedefectdetection:Asurvey.IEEETransactionsonIndustrialInformatics,12(4),1029-1040.

3.He,K.,Zhang,X.,Ren,S.,&Sun,J.(2016).Deepresiduallearningforimagerecognition.InProceedingsoftheIEEEconferenceoncomputervisionandpatternrecognition(pp.770-778).

4.Zhang,H.,Xue,B.,Zhang,Z.,&Wang,L.(2018).Multi-modaldefectdetectionsystembasedonvisualandthermalimaging.IEEETransactionsonIndustrialElectronics,65(9),7212-7222.

5.Ferrari,V.,Redmon,J.,Felsberg,M.,&Brox,T.(2018).Accurateobjectdetectionandsemanticsegmentationusingdeepconvolutionalnetworksandfullyconnectedconditionalrandomfields.IEEETransactionsonPatternAnalysisandMachineIntelligence,40(12),2919-2933.

6.Smith,R.J.,&Johnson,M.A.(1985).Machinevisionfordefectdetection.JournalofManufacturingSystems,2(4),291-307.

7.Gonzalez,R.C.,&Woods,R.E.(2008).Digitalimageprocessing(3rded.).PearsonPrenticeHall.

8.Nister,D.(2004).Anefficientsolutiontotheperspective-n-pointproblem.InProceedingsofthe10thinternationalconferenceoncomputervision(pp.1066-1072).

9.Tomasi,C.,&Kanade,T.(1990).Detectionandtrackingofpointsandedges.InternationalJournalofComputerVision,2(3),198-226.

10.Canny,J.(1986).Acomputationalapproachtoedgedetection.IEEETransactionsonPatternAnalysisandMachineIntelligence,8(6),679-698.

11.Forsyth,D.A.,&Ponce,J.F.(2003).Computervision:Amodernapproach.PrenticeHall.

12.OpenCV.(2021).OpenCVlibrarydocumentation./

13.NVIDIA.(2021).JetsonAGXinferencemodule./en-us/data-center/jetson-agx/

14.Google.(2021).EfficientNet./abs/1905.11946

15.Zhang,X.,Zhou,X.,Lin,M.,&Shao,M.(2018).Efficientnet:Boundingtheefficiency–accuracytradeoffinconvolutionalneuralnetworks.InProceedingsoftheIEEE/CVFinternationalconferenceoncomputervision(pp.2860-2869).

16.Liu,W.,Anguelov,D.,Erhan,D.,Szegedy,C.,Reed,S.,Fu,C.Y.,&Berg,A.C.(2016).Squeezenet:Alexnet-levelaccuracywith50xfewerparametersand<0.5MBmodelsize.InAdvancesinneuralinformationprocessingsystems(pp.625-633).

17.Howard,A.G.,Zhu,M.,Chen,B.,Kalenichenko,D.,Wang,W.,Weyand,T.,...&Adam,H.(2017).Mobilenets:Efficientconvolutionalneuralnetworksformobilevisionapplications.arXivpreprintarXiv:1704.04861.

18.Redmon,J.,Divvala,S.,Girshick,R.,&Farhadi,A.(2016).Youonlylookonce:Unified,real-timeobjectdetection.InProceedingsoftheIEEEconferenceoncomputervisionandpatternrecognition(pp.779-788).

19.Ren,S.,He,K.,Girshick,R.,&Sun,J.(2015).Fasterr-cnn:Towardsreal-timeobjectdetectionwithregionproposalnetworks.InAdvancesinneuralinformationprocessingsystems(pp.91-99).

20.Uijlings,J.,VandeSande,K.E.A.,Gevers,T.,&Smeulders,A.W.M.(2013).Selectivesearchforobjectdetection.InternationalJournalofComputerVision,104(2),154-171.

21.Deng,J.,Dong,W.,Socher,R.,Li,L.J.,Li,K.,&Fei-Fei,L.(2009).Imagenet:Alarge-scalehierarchicalimagedatabase.In2009IEEEconferenceoncomputervisionandpatternrecognition(pp.248-255).

22.Russakovsky,O.,Deng,J.,Su,H.,Krause,J.,Satheesh,S.,Ma,S.,...&Fei-Fei,L.(2015).ImageNetlargescalevisualrecognitionchallenge.InternationalJournalofComputerVision,115(3),211-252.

23.He,K.,Zhang,X.,Ren,S.,&Sun,J.(2016).Deepresiduallearningforimagerecognition.InProceedingsoftheIEEEconferenceoncomputervisionandpatternrecognition(pp.770-778).

24.Lin,T.Y.,Goyal,P.,Girshick,R.,He,K.,&Dollár,P.(2017).Focallossfordenseobjectdetection.InProceedingsoftheIEEEinternationalconferenceoncomputervision(pp.2980-2988).

25.Lin,T.Y.,Dollár,P.,Girshick,R.,He,K.,Hariharan,B.,&Belongie,S.(2017).Featurepyramidnetworksforobjectdetection.InProceedingsoftheIEEEconferenceoncomputervisionandpatternrecognition(pp.2117-2125).

26.Zhou,B.,Khosla,A.,Lapedriza,A.,Oliva,A.,&Torralba,A.(2016).Learningdeepfeaturesfordiscriminativelocalization.InProceedingsoftheIEEEconferenceoncomputervisionandpatternrecognition(pp.2921-2929).

27.Ren,S.,He,K.,Girshick,R.,&Sun,J.(2015).Fasterr-cnn:Towardsreal-timeobjectdetectionwithregionproposalnetworks.InAdvancesinneuralinformationprocessingsystems(pp.91-99).

28.Girshick,R.,Donahue,J.,Darrell,T.,&Malik,J.(2014).Richfeaturehierarchiesforaccurateobjectdetectionandsemanticsegmentation.InAdvancesinneuralinformationprocessingsystems(pp.580-588).

29.Russakovsky,O.,Deng,J.,Su,H.,Krause,J.,Satheesh,S.,Ma,S.,...&Fei-Fei,L.(2015).ImageNetlargescalevisualrecognitionchallenge.InternationalJournalofComputerVision,115(3),211-252.

30.He,K.,Zhang,X.,Ren,S.,&Sun,J.(2016).Deepresiduallearningforimagerecognition.InProceedingsofthe