基于改进SSD模型的手机盖板玻璃缺陷检测

在手机盖板玻璃小缺陷检测中,针对传统单阶段多层检测器(Single Shot Multibox Detector,SSD)模型检测存在漏检的问题,提出了一种改进的SSD模型。该模型使用ResNet50作为主干网络,同时融入膨胀卷积和注意力机制SeNet,从而提升小缺陷检测精度。在缺陷数据集上进行了实验对比,实验表明改进的SSD模型与传统SSD模型相比,模型的检测精度更高、漏检率更低,能够满足缺陷检测的精度要求。

手机盖板玻璃水性脱墨剂的研制

本文研究了不同溶剂、碱、渗透剂等因素对脱墨效率的影响。通过实验研究发现:当苯甲醇为15%,氢氧化钠为12%,脂肪醇聚氧乙烯醚磷酸盐为0.5%,脱墨温度在80~90℃,脱墨效果好,脱墨效率高。

折叠式手机玻璃的现状及发展

从直板机到折叠式机,随着手机的更新换代,推动了手机玻璃的发展。为适应折叠式手机要求,手机玻璃盖板必须具有柔性、韧性,可以弯曲折叠20~25万次,相当每天500次而不破裂,为此可选用叠层复合材料。叠层复合材料是由UTG超薄玻璃和CPI聚酰亚胺类型高分子材料保护膜通过热熔胶或热压贴合工艺形成的增强材料,利用UTG的刚性和CPI的塑性组合成韧性的叠层复合材料,从而提高折叠式手机玻璃盖板的抗冲击能力,将是今后手机玻璃的发展方向。

面向智能手机玻璃盖板缺陷检测的YOLOv3改进和应用

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。