基于SURF特征改進的空調標簽缺陷檢測算法

中圖分類號：TP317.4 文獻標識碼：A DOI：10.7535/hbkd.2025yx03010

An improved air conditioner label defect detection algorithm based on SURF features

ZHOU Huizi1'2，LIU Yuelin3，LIU Qing4，LI Jianwul

（1．School of Computer Science and Technology，Beijing Institute of Technology，Beijing 10o081，China； 2.Big Data Center，Zhuhai Gree Electric Appliances Company Limited，Zhuhai，Guangdong 519o7o，China; 3.Ara Institute of Canterbury International Enginering College（Zhongxin International College of Engineering）， ShenyangJianzhu University，Shenyang，Liaoning1lol68，China; 4.School of Economics and Management，Hebei University of Science and Technology， Shijiazhuang，Hebei O50o18，China）

Abstract：Aiming at thebottleneck that deep learning algorithms are not compatible withdevice detectionand new sample colection，aswellaspoordetectiontimelinessandgeneralizationability，atraditionaltemplatematchingdetectionalgorithm basedonSURFfeatures was proposed.Firstly，SURFalgorithm was usedtoextractfeaturesfrom theimage，andthe product quantization theory was used to construct search tres.The matching points were quickly screned basedon spatial position informationof feature points.Secondly，the homographymatrix and afine transformation matrix wereobtained from the matching points，and the two matrices werecombined to scree the \"interior points\"forofset calculationand image registration.Finaly，combined withtheideaoflocal defect density measurement，thedefect densitywascalculatedby integratingtheregionalforegroundandbackground weighting method，andthequalificationofthelabelwasdeterminedbythe defectdensity.Atthesametime，forthesceneofsmallcharacterswithfewfeaturesandlocalofset，animproved method wasproposed toavoid misjudgment.The results show that thealgorithm improves the stability and detection acuracyof feature point matching. The accuracy，recall and Fl on the self-built data set are 98.67% ， 97.69% and 98.18% ， respectively，which arebettr thanthemainstream methods.The practicalapplicationonthedevice meets thereal-time requirements.Thealgorithmcaneffectively improve thestabilityoffeature pointsandthe detectionacuracy，meet the detection timeliness of equipment，and provide technical reference for its practicability.

Keywords：image processing；defect detection;SURF characteristics；image registration；defect density

隨著工業4.0的浪潮推進，標簽的質量已經成為衡量企業生產能力和市場競爭力的關鍵指標之一。為節約成本，大部分企業的空調內機標簽是由人工粘貼的，存在人為造成的貼錯、貼偏、漏貼等情況，并且生產線上采用人工目視檢測的方式來判斷產品外觀合格性，不能有效保證檢測精度，因此需要研制空調內機標簽質量自動化檢測設備對空調機身外觀進行檢測，達到省時省力、提高生產效率的目的[1]。

常用的標簽缺陷檢測方法有2種：基于傳統圖像處理的檢測和基于深度學習模型的檢測。關于傳統圖像處理的檢測方法，周陽等[2]采用Halcon展開日化瓶瓶底噴碼質量檢測算法研究，利用基于形狀的模板匹配法實現字符區域的定位;尚玉廷[3」利用專門特殊算法分割提取隨機畸變字符集，創建每個獨立字符的匹配模板，并記錄相對位置區域進行包裝箱型號標記缺陷檢測；張永宏等[4]采用尺度不變特征轉換算子（scale-invariant feature transform，SIFT）進行模板匹配，利用像素差值的方式來實現缺陷檢測;BENJELIL等5使用交互式信息進行字符檢測，找到自動缺陷檢測算法檢測到的圖像與標準圖像之間的差異，實現字符缺陷檢測;HUA等[6]采用快速魯棒特征描述子（speeded up robust feature descriptor，SURF）與特征跟蹤角檢測器進行圖像特征提取，解決了拐角檢測中拐角信息丟失、位置偏移等問題。此類方法能適應更多類型標簽的檢測，但由于特征點檢測依賴于檢測算子，通常因為檢測速度慢和特征點不穩定出現誤識別，對畸變、旋轉等情況適應性較差[7]。關于深度學習模型的檢測方法，ZHAO等[8針對集裝箱字符檢測提出一種改進的基于DETR的方法，該方法將具有多通道分割注意力結構的ResNet骨干網絡引入多尺度位置編碼，實現容器字符端到端識別框架，提高了對輸入位置信息的敏感度，在其自建集裝箱字符數據集中測試精度可達 98.6% ：KOCH等[9使用孿生網絡（2個共享權重的網絡）進行一次性圖像識別，可以對2個輸入圖像判定是否屬于同一類別，特別適用于人臉對比及基于模板匹配的缺陷檢測;王勇等[10]將YOLOv4 網絡應用于建筑構件表面缺陷檢測，通過多種優化技術提高了模型的檢測精度，在構建的結構鋸材表面缺陷數據集上達到了96.7% 以上的平均檢測精度，能夠準確檢測多種類型的缺陷。此類方法對缺陷有不錯的識別能力，但通常需要大規模標注數據才能保證模型的準確性，難以適用于缺陷類型多變及語言字符多變的標簽缺陷檢測，且獲取標注數據代價高，泛化能力較差。為了解決這個問題，研究者開始探索無監督學習策略。LIANG等[1]使用頻率編碼器將輸入圖像重建成不同頻率圖像信息，自適應地選擇不同通道來執行不同編碼器之間的頻率交互以增強模型。LEE等[12]采用基于ViT的模型結構，通過使用多個自注意力層的補丁嵌人構建特征圖學習圖像塊之間的全局關系，利用重建圖像誤差識別異常區域。ZHANG等[13]提出了一種基于Transformer 架構的互注意力機制，重建過程中融合了圖像的局部和全局特征，解決了現有Transformer模型融合局部信息效率低的問題。WANG 等[14]通過結合對比學習并保留2D-Flow模型的輕量級特性，增強了2D-Flow框架，使網絡能夠從自生成的標簽中學習更精確的映射關系。

雖然近期備受關注的無監督學習策略不依賴特定缺陷標注數據，但仍需要少量無標注的樣本，且對于一些業務上可忽略的缺陷，缺陷維度不統一，對模型的調整優化十分困難，在處理復雜紋理和微小缺陷時仍存在泛化性不足的問題[15-17]。新研發產品生產時無初始樣本，且生產計劃無法因設備調整而中止，檢測設備無法兼顧生產檢測及樣本收集。另外，檢測設備要兼容尺寸跨度非常大的產品，需要用戶建模輸人產品尺寸調節相機位置，所以采用模板匹配方法框選ROI（region of interest）區域不會耗費人工過多精力，且所耗時長遠小于拍攝多次收集樣本并訓練模型的時間。基于以上原因，本文提出一種基于SURF特征改進的空調標簽缺陷檢測算法，以解決傳統 SURF算法對相同字符及標簽大小多樣時標簽誤識別問題以及解決深度學習算法無法滿足檢測設備的產品兼容性與檢測時效性問題。另外，針對小字符特征少又含有局部偏移的場景提出改進方法。

1基于SURF特征改進方法

為了提高空調內機標簽缺陷檢測的性能，本文提出了一種基于SURF特征改進特征點篩選匹配的空調標簽缺陷檢測方法，如圖1所示。所提出的方法包括圖像預處理、特征提取、特征過濾、特征匹配、圖像配準、缺陷判定幾個關鍵步驟。

1.1 圖像預處理及特征提取

模板圖片帶有用戶輸入的信息，包括ROI區域坐標、偏位檢測標準和角度檢測標準。根據ROI區域坐標將模板圖片進行裁剪，然后經過中值濾波、二值化及像素填充后得到如圖2a）所示圖像，其中像素填充采用平均灰度值法，根據偏位檢測標準以ROI區域中心點向四周擴充。根據偏位檢測標準擴充ROI區域坐標后，將待檢測圖片進行裁剪、中值濾波及二值化后得到如圖2b）所示圖像，至此就完成了模板圖片及待檢測圖片的預處理操作。因SURF算法具有尺度和旋轉不變性，且它將特征點描述向量進行歸一化處理，也保持了對光照的不變性，所以選用SURF算法對圖像進行特征提取。將上述進行預處理后的模板圖像及待檢測圖像作為輸入，提取2張輸人圖像的SURF特征描述，用于后續過程的計算（SURF算法是廣泛使用的特征檢測算法，此處不再贅述其原理）。

1.2 特征過濾與匹配

實際生產中，人為粘貼的標簽會存在角度旋轉，若標簽旋轉角度過大或存在相似圖案特征，容易出現特征點匹配的偏移，在匹配后計算特征缺陷時因匹配點效果不佳、缺陷計算錯誤而出現誤識別。另外，提取的特征可能存在部分冗余信息，從提升檢測速度方面考慮也應該對特征點進行篩選過濾。所以從減少噪點誤匹配影響及提升檢測速度角度考慮，本方法采用乘積量化方法對特征點描述進行壓縮，構建搜索樹[18」。第 i 個特征點的SURF描述是一個64或128 維的向量 F_i ，將其分為8個部分 F_ij （ 1?j?8） 。對所有描述的每個子向量進行類別數為 K 的 K -Means聚類，具體如式（1）所示。

K?Means_j=1⁸={F_1j，F_2j，…，F_ij}

計算聚類中心 C_kj （ 0?k?K ）并進行二進制編碼以構建搜索樹。聚類中心的數量 K 與特征點的數量N 之間根據式（2）計算，其中 K 的結果向上取整數。

提取待檢測圖像中特征點描述符，并通過計算描述符的子向量與聚類中心 C_kj 之間的距離來確定聚類類別。然后對特征點進行二進制編碼，以便快速定位具有相同編碼的特征點子集。本方法基于空間信息的特征，計算模板待匹配特征點與待檢測圖特征點子集中歐氏空間距離，距離最小的點作為相應匹配點，得到如圖3所示的特征點匹配效果圖。

1.3圖像配準與缺陷判定

空調內機在生產線上流轉時，因為工藝板與阻擋器的碰撞，會造成機身出現不同程度的輕微偏移，使得待檢測面到相機鏡頭面會有空間上的畸變。根據獲取的特征點匹配對，結合隨機采樣一致性思想[19]，通過上述特征點對計算單應性矩陣、仿射變換矩陣。通過兩矩陣結合，計算所有特征點與估計模型之間的誤差，將誤差小于閾值的特征點對視為“內點”，其余特征點對視為“外點”，選擇兩矩陣交叉部分“內點\"作為最終的估計結果，計算偏移量，再計算仿射變換角度。仿射變換角度用于評估標簽的角度偏移量，若超出設定的角度檢測標準則視標簽存在角度偏差缺陷。最后進行透視變換，使得待檢圖像變換到與模板圖像相同的空間位置，達到配準效果，如圖4a）所示。使用像素差法提取配準后二值化待檢測圖像與二值化模板圖像之間的缺陷部分，如圖4b）所示。

對于不同種類、不同大小的標簽，絕對閾值并不適用于判斷缺陷，同時，標簽的缺陷有原本字體缺失及空白區域臟污2種情況，故需要設計一種自適應缺陷判定方法。結合局部缺陷密度度量法（local defectdensity of measurement，LDDM）的思想，提出一種綜合區域前景及區域背景加權方式計算缺陷密度，使用缺陷密度來衡量缺陷部分是否符合判定閾值的方法，進而判定產品是否合格。首先，使用輪廓搜索方法找到上述像素差法處理后的圖像中缺陷輪廓。其次，定義區域背景為以缺陷輪廓中心點畫圓的圓形區域（對應真實場景的標簽空白區域），定義區域前景為待檢測圖二值化圖像對應像素增加以缺陷輪廓中心點畫圓的白色圓形區域再減去模板二值圖（對應真實場景的標簽原有字體區域），其中圓形區域半徑 r 定義為式（3），缺陷密度計算公式定義為式（4）。

r=0.05min（a，b）

D=0.5（μ/δ+μ/σ）

式中： a 表示模板ROI區域長； b 表示模板ROI區域寬； D 表示缺陷密度； μ 表示缺陷像素面積； δ 表示區域前景像素面積； σ 表示區域背景像素面積。特別的，形如圖 _4b 的標簽空白區域臟污缺陷在前景像素計算得0，作為分母時， μ/δ 結果取無窮值，即標簽空白區域的臟污一定能有效檢出。

在某些特殊情況下，業務上允許標簽有一定程度的輕微缺陷（即可忽略），通過上述缺陷密度 D 的計算方式，也可以在一定程度上避免出現檢測結果過于嚴苛的問題（缺陷密度計算是在滿足用戶容忍度且不影響其他類型缺陷檢測結果的前提下設計的）。例如圖5所示，左側配準圖中最左側類圓圖像因工藝冷卻步驟存在縫隙不一致的輕微缺陷（紅色矩形框所示部分），在實際業務上允許出現，但是縫隙差距又要符合企業標準不能過大。可明顯看到經過像素差法處理后的效果圖上縫隙造成的缺陷區域，若其通過上述缺陷密度公式計算后，得到的缺陷密度小于設定閾值，則可以達到忽略的效果。

1.4小字符局部偏位改進

若待檢測ROI區域字符或圖案特征較少且周圍存在相似特征時，在圖像配準階段會因相似干擾特征點造成圖像配準誤差，誤 珠整室室出制整室出制判為不合格。但若為增加特征擴大ROI區域，當擴大后的ROI區域內存在圖案局部偏位時，會因配準后的圖像在使用像素差法進行缺陷區域計算時，未對齊部分影響判斷結果。如圖6所示，部分標簽因批次不同，字符存在局部偏位現象，業務上人們僅關注“2023.10\"字符是否存在缺陷，但因其特征較少且鄰域內存在相近字符，所以僅框選此部分作為ROI區域會因圖像配準誤差而誤判。圖6上半部分“見機身條碼”和“2023.10”與圖6下半部分中F相比（綠色矩形框所示），字符間相對位置不同，所以若為了增加字符特征框選ROI區域范圍較大，會因字符間相對位置偏位造成批量誤判。

為此，提出一種針對小字符特征少及鄰域存在相似特征影響配準效果并且存在局部偏位現象的改進檢測方法。針對小字符ROI區域“2023.10”，首先在模板圖中ROI區域鄰域擴展偏位檢測標準并掩模去除ROI區域，將其按照1.1節方式預處理得到如圖7a）所示的去除ROI區域過程圖;然后，將待檢測圖按照1.1節方式預處理得到圖7b），將圖7a）與圖7b）進行圖像配準，同時利用平均像素值進行填充，得到圖7c），在圖7c）的基礎上裁剪輕微擴充后ROI區域坐標（擴充10像素，目的是避免圖像配準空間誤差），與模板圖ROI區域配準后進行缺陷判斷，如圖7d）所示。通過先找小字符鄰近區域的較多特征進行配準，再單獨提取小字符ROI區域進行缺陷判定，這樣在一定程度上可以減少因小字符特征少而誤判的情況。但以上處理過程因在提取特征計算配準時引人了周圍較多特征，所以計算資源耗費較多，在一定程度上會降低檢測效率。實際應用在設備上時為其專屬設定了一種算法屬性，即僅在ROI區域內存在小字符局部偏移的情況才選擇使用本算法屬性，否則默認使用1.1節至1.3節介紹的方法。

2 實驗結果

2.1 數據集

實際生產中，空調內機的標簽復雜多樣，本文將標簽種類分為3類：僅文本、僅圖案和混合文本圖案。按照企業標準，標簽粘貼位置應與標準規定位置上下左右橫向偏差在 1cm 之內、角度偏差在 ±5^° 以內。本文將缺陷標簽的類型分為印刷缺陷、位置偏差、角度偏差。印刷缺陷包括多印、錯印和漏印（不含顏色缺陷），如圖8a）所示。位置偏差是指由于標簽粘貼位置上下左右橫向偏移，整個標簽沒有出現或局部出現在偏位檢測標準區域內，如圖8b）所示。角度偏差是指標簽粘貼的傾斜角度超出上述企業標準 5^° ，則將此類標簽視為角度偏差缺陷，如圖8c）所示。綜合考慮工控機算力、多路相機通信帶寬負荷及檢測設備成本，本文使用2000萬像素黑白工業相機（MV-CE200-10GM）采集空調機身灰度圖像（分辨率為 5 472×3 648 并制作了3600組標簽的標注數據與圖像樣本，其中2400組按照訓練集與驗證集為 7：3 的比例用于訓練深度學習模型（此處深度學習模型用于進行算法性能的對比分析，本文提出的方法無需樣本訓練），1200 組作為不同算法的公共測試集，數據集分布情況如表1所示。

2.2 評估指標

在檢測空調內機標簽缺陷時為了評估檢測性能，采用準確率（Precision， P ）、召回率（Recall， R ）以及綜合指標F1作為主要評價指標，見式（5）—（7）。

其中真正例（TP）、假正例（FP）和假反例（FN）分別對應實際良品判定為良品的數目、實際良品判定為缺陷的數目和實際缺陷判定為良品的數目。

2.3 消融實驗

為了驗證本文所提出的方法相較于傳統 SURF算法的改進性和有效性，本文在上述全部3600組自制標簽數據集上，將傳統的 SURF特征點匹配算法（Classic-SURF）與本文提出的基于SURF特征改進特征點篩選匹配的空調標簽缺陷檢測方法（Our-SURF）對標簽進行特征提取，并結合3種缺陷判定方法（絕對缺陷面積法ADAM[20]、局部結構相似度法 LSSM^[21] 、本文提出的局部缺陷密度度量法LDDM）設置了最優判斷閾值，計算上述3個評估指標，測試結果如表2所示。

從表2可以看出，在準確率、召回率和F1方面，本文提出的基于SURF的改進特征點篩選匹配方法整體效果明顯優于傳統 SURF算法，這是因為本文提出的方法同時考慮了特征點的局部特征和特征點的空間位置信息，對于復雜圖案，特別是有重復子圖案的標簽檢測效果有顯著提升。圖9a）為傳統的 SURF特征點匹配算法匹配效果圖，圖9 b）為本文方法匹配效果圖。由圖可知，由于有很多相似的“五角星\"子圖案，局部特征比較相似，在進行特征點匹配時圖9a）中出現了大量誤匹配。從圖9b）可以看出，本文方法將特征點的相對空間信息納入考量后，誤匹配大大減少，匹配效果得到提升。此外，本文提出的方法相較于傳統SURF算法，因去除了部分冗余特征點，所以在圖像配準計算速度方面提升了約 100ms 。另由表2還可以看出，本文提出的改進特征點篩選匹配方法結合局部缺陷密度法（Our-SU RF+LDI DM）在標簽缺陷檢測的各項指標上均表現出色，能夠適應字符或圖案大小的變化，具有更好的適應性和魯棒性。

2.4缺陷檢測算法比較

為驗證本文方法的性能，在上述1200組自建復雜數據測試集上將本文方法（Our-SURF + LDDM）與傳統模板匹配（TTM）[22]、孿生網絡（Siamese network，SN）模型[9]及YOLOv4（you only look once）模型[10]進行對比。在顯卡為NVIDIAGeForceGTX10606GB的計算機上進行實驗。訓練2個深度學習模型時，設置batch_size =32 ，epoches =100 ，使用自適應梯度下降Adam優化器并設置初始學習率為0.0O05。SN模型是將模板圖像與標注圖像（良品及缺陷）作為匹配對，根據1.1節介紹的預處理過程后加上匹配對是否合格的label輸人網絡； YOLOv4 模型則將良品圖像作為負樣本，缺陷圖像作為正樣本，加上標定框輸入網絡。

對比結果見表3。可見本文方法準確率、召回率和F1分別為 98.67%，97.69% 和 98.18% ，與TTM，SN，YOLOv4算法相比，本文方法在自建復雜數據集上檢測效果有大幅提升。TTM通過在圖像中查找最佳匹配點和匹配系數來確定是否合格，但在多目標檢測時有較高的漏檢率和誤報率。SN對圖像變形有較強的魯棒性，但無法針對標簽的角度進行具體的量化判定，在角度偏差缺陷上特別容易誤判。YOLOv4 能快速檢測，但對小目標或密集小目標容易出現漏檢，并且無法對未經訓練的印刷缺陷類型進行檢測，另外它無法對標簽的位置偏差、角度偏差進行精確檢測，在本場景下誤判較大，業務上導致漏掉很多實際缺陷，不利于產品的質量控制。通過以上對比分析可以看出，本文方法不僅可以檢測標簽的印刷缺陷，還可以判斷標簽的角度和位置，且針對小字符局部偏位情況作出了改善，滿足了這類缺陷檢測的需求。本文方法通過目標匹配的方式簡化了檢測的復雜程度，提高了檢測目標的匹配正確率，有較強的泛化能力。通過與不同算法比較，驗證了本文方法的準確性和可靠性。

2.5 實用情況

將本文方法在自動化檢測設備上應用實施，視覺設備工控機參數如表4所示。在實際應用時，采用高分辨率工業相機（MV-CE200-10GM）同時傳輸多路數據，涉及空調機身4個檢測面共計6臺相機。算法方面采用線程池的處理方法提升檢測速度，每個檢測面開一個線程且每個檢測面上每個ROI區域開一個線程，大大提升了整體檢測速度。以6個面、每個面15個ROI區域、每個ROI區域 300×300 像素計算比較說明：單線程計算共耗時約7.92s，線程池計算共耗時約 1.23s ，整體效率提升約 84.47% 。以2.1節數據集進行測試，本文方法對每一張測試圖片都可以在1.5s內完成計算，平均耗時 1.18s ，符合生產線節拍，具備良好的實時性。另外，針對1.4節提出的小字符局部偏位改進方法也在工控機上進行了測試，當模板ROI區域擴充偏位檢測標準后，圖像像素尺寸在 300×300 內，1.4節優化算法平均耗時2.45s，也可滿足生產線節拍。

3結語

針對深度學習算法無法兼容設備檢測及新樣本收集、檢測時效性及泛化能力差的瓶頸，本文提出了一種應用于空調內機標簽檢測設備，基于SURF特征改進特征點篩選匹配的標簽缺陷實時檢測方法。

本文方法使用SURF算法對圖像進行特征提取，為了快速準確地提取特征匹配點，采用乘積量化的思想，為模板圖像中的特征點構建搜索樹，快速篩選匹配的特征點子集;結合特征點的空間位置信息，在特征點的鄰域坐標一定范圍內過濾目標特征點，進一步確定匹配點，加快過濾過程;再結合隨機采樣一致性思想進一步剔除誤匹配點，根據匹配點對獲取單應性矩陣和仿射變換矩陣；通過兩矩陣結合的形式篩選“內點”，通過\"內點\"進行偏移量計算及圖像配準，減少由于相同子圖案在仿射變換時帶來的匹配不準的情況;最后結合局部缺陷密度度量法的思想，綜合區域前景及區域背景加權方式計算缺陷密度，使用缺陷密度來衡量缺陷部分是否符合判定閾值的方法判定產品缺陷，同時還針對小字符特征少又含有局部偏移的場景，提出了改進方法，避免了此場景的誤判。實驗結果表明，本文算法可以提升特征點匹配穩定性及檢測精度，在自建數據集上其準確率、召回率和F1分別為 98.67%，97.69% 和 98.18% ，均優于主流方法，同時可以有效檢測標簽的偏移角度，滿足檢測設備的新產品兼容性與檢測時效性，有較強的泛化能力，在設備上實際應用時可滿足實時性要求，實現更優、更全面的檢測效果，有較高的實用性。

本方法不足之處在于，對密集小字符的缺陷檢測方法的改進雖然使整體準確率有所提升，但是因為過程計算的繁瑣，造成對小字符缺陷檢測的耗時更長，因此后續會考慮如何加快計算速度，同時考慮多種特征提取方法相融合的方式，提升算法對小字符特征點提取能力，進一步提高算法檢測的準確率、魯棒性和檢測速度。另外，通過本文方法的實際落地使用，不斷地自動化收集標簽樣本，未來可利用這些標記好的樣本數據進行基于深度學習模型的新算法的創新嘗試。

參考文獻/References：

[1]張豪，張綱，蔣家東，等.中國制造業產品質量提升策略研究[J].中國工程科學，2022，24（2）：38-47. ZHANG Hao，ZHANGGangJANGJiadong，etalStrategyforimprovingproductqualityofmanufacturingindustryinChina.ate gic Study of CAE，2022，24（2）：38-47.

[2]周陽，沈婷婷，席志遠，等.基于 Halcon的日化瓶瓶底噴碼質量檢測算法研究[J].儀表技術與傳感器，2020（11）：101-104. ZHOU Yang，SHENTingting，XI Zhiyuan，etal.ResearchonqualitydtectionalgorithmsbasedonHalconforbotomspraycodeofdaily chemical bottles[J].Instrument Technique and Sensor，202o（11）：101-104.

[3]尚玉廷.包裝箱型號標記缺陷檢測系統設計與實現[J].包裝工程，2021，42（1）：214-223. SHANG Yuting.Designand implementationofdefectdetectionsystem forpackingcase type markJ].Packaging Engineering，202142 （1）：214-223.

[4]張永宏，黃曉華.基于SIFT 匹配算法的 PCB 板缺陷檢測[J].計算機測量與控制，2012，20（9）：2328-2330. ZHANG Yonghong，HUANG Xiaohua.DetectionofPCBdefect basedon SIFT matching algorithm[J].Computer Measurementamp;.Control，2012，20（9）：2328-2330.

[5]BENJELIL M，KANOUNS，MULLOTR，etal.ArabicandLatinscriptidentificationinprintedandhandwritentypesbasedonsterable pyramid features[C/20o9OthInternationalConferenceonDocumentAnalysisandRecognition.BarcelonaSpain，59-595.

[6]HUA Guoliang，HUANG Weipeng，LIUHong.AccurateimageregistrationmethodforPCBdefectsdetectionJ].TheJournalof Engineering，2018（16）：1662-1667.

[7]湯勃，孔建益，伍世虔.機器視覺表面缺陷檢測綜述[J].中國圖象圖形學報，2017，22（12）：1640-1663. TANGBo，KONGJianyi，WUiqianReviewofurfacedefectdetetionbasedonmachinevisionJ].JouralofImagendGaics， 2017，22（12）：1640-1663.

[8]ZHAO Xiaofang，ZHOUPeng，XUKe，etal.AnimprovedcharacterrecognitionframeworkforcontainersbasedonDETRalgorith[J]. Sensors，2021.DOI：10.3390/s21134612.

[9]KOCH G，ZEMEL R，SALAKHUTDINOV R.Siamese Neural Networks forOne-Shot Image Recognition[DB/OL].[2024-11-01]. http：//www.cs.cmu.edu/ ～ rsalakhu/papers/oneshot1.pdf.

[10]王勇，張偉，高銳，等.基于YOLOv4的結構用鋸材表面缺陷識別[J].林業工程學報，2021，6（4）：120-126. WANG Yong，ZHANG Wei，GAORui，etal.ResearchonsurfacedefectrecognitionoftructuralsawntimberusingYOLOv4J].Journal ofForestry Engineering，2021，6（4）：120-126.

[11]LIANGYufei，ZHANGJangnng，ZHAOShiwei，etal.Omni-FrequencyChanel-SelectionRepresentationsforUnsupervisedAoaly Detection[DB/OL].（2023-07-03）[2024-11-01].https：//arxiv.org/abs/2203.00259.

[12]LEEY，KANGP.AnoViT：UnsupervisedAnomalyDetectionandLocalizationwithVision Transformer-BasedEncoder-DecoderDB/ OL].（2022-03-21）[2024-11-01].https：//arxiv.org/abs/2203.10808.

[13]ZHNGMengting，ANXiuxiaTansformerarchitecturebasedonmutualattentionforimageanomalydetectionJ].Virtualealityamp; Intelligent Hardware，2023，5（1）：57-67.

[14]WANG Shunfeng，LIYueyang，LUOHaichi.CL-flowStrengtheningthenormalizingflowsbyontrastivelearningforbettromaly detection[C]/Conferenceon Image，SignalProcessing，andPatrnRecognition（ISPP2024）．Guangzhou：[s.n.]，2024： 1318060-1318068.

[15]倪洪啟，李鑫宇，戴文博，等.基于機器學習的金屬軟管缺陷檢測系統[J].電子測量技術，2024，47（10）：78-84. NI Hongqi，LI Xinyu，DAIWenboetal.Machinelearningbaseddefectdetectionsystemformetal hosesJ.ElectronicMeasurement Technology，2024，47（10）：78-84.

[16]張付祥，徐兆洋，李俊慧，等.改進CycleGAN的鋼材表面缺陷圖像生成方法[J].河北科技大學學報，2023，44（6）：571-579. ZHANGFuxiang，XUZhaoyangIJunhui，etalImagegenerationmethodforsteelurfacedefectsonimprovedCcleGANJalf Hebei University of Science and Technology，2023，44（6）：571-579.

[17]鄭太雄，黃鑫，尹綸培，等.基于深度學習的表面微小缺陷檢測方法綜述[J].重慶郵電大學學報（自然科學版），2024，36（5）：954-965. ZHENGTaixiong，HUANG Xin，YINLunpei，etal.Surfacetinydefects detectionbasedondeplearning：Areview[J].Jouralof Chongqing University of Posts and Telecommunications（Natural Science Edition），2024，36（5）：954-965.

[18]WANGJingdong，ZHANG TingSONGJingkuan，etal.Asurveyonlearning tohashJ].IEEETransactionsonPatternAnalysisand Machine Intelligence，2018，40（4）：769-790.

[19]熊風光，霍旺，韓燮，等.三維點云中關鍵點誤匹配剔除方法[J].光學學報，2018，38（2）：121-131. XIONGFengguang，HUOWang，HANXie，etal.Removalmethodofmismatching keypointsin3DpointcloudJ.ActaOpticaSinica， 2018，38（2）：121-131.

[20]馬宏偉.成像無損檢測中缺陷的分類與面積計算[J].儀器儀表學報，2001，22（supl）：212-213. MAHongweiassiadcalulatiftsinigeN.seJualoftistrumnt（p）： 212-213.

[21]耿東芳，葉正麟，馬磊.基于結構相似度的單幅圖像正則超分辨復原[J].計算機工程與應用，2007，43（22）：34-37. GENG Dngfang，YEZhenglin，MALei.Regularizedsuperresolutionreconstructionforsingleimagebasedonstructuresimilit]. Computer Engineering and Applications，20o7，43（22）：34-37.

[22]XIEJianbin，IUTong，CHENZhangyong，etal.Jointtemplatematchingalgoritforassociatedmultioetdetetio. Transactions on Internet and Information Systems（TIS），2o12，6（1） ：393-403.