通过数据增强，将原有的3711个硅碳棒瑕疵按照指定比例增广至11592个。最后将增广后数据集按照分为训练集、验证集.本文需要应用于生产现场，后续还会添加一些逻辑控制模块，故不再在数据集中不再应用侧试集，检测效果测试将通过实际生产线检测结果进行评估。

       主要介绍了硅碳棒瑕疵数据集的制作过程。首先根据硅碳棒厂家对方形硅碳棒瑕疵的内控标准确定了数据采集依据是根据人工判定为结果为标推，通过硅碳棒数据采集装置进行“技需采集”的目的。进一步根据人工在实际硅碳棒瑕疵检测中所依据的分类标准和人工检测经验来确定了硅碳棒瑕疵分类依据，根据硅碳棒厂家内控硅碳棒瑕疵标准对所采集到的数据进行数据标注得到所需硅碳棒瑕疵数据集.该过程充分考虑所采集数据的应具有可靠性的要求，通过数据采集装置获取硅碳棒瑕疵数据，而后针对硅碳棒瑕疵数据进行进行数据增强以使得硅碳棒瑕疵具有多样性，根据硅碳棒瑕疵内控分类标准利用labelImg软件对硅碳棒瑕疵图像进行标注，针对图像数据类别不平衡问题进行了分析，在训练段采用Mosaic数据增强方式进行平衡，避免数据不平衡问题所造成的过拟合现象。

       完成了硅碳棒数据采集装百的制作并完成了硅碳棒瑕疵数据集的制作，最终硅碳棒瑕疵数据集共计11592张.这一章节采用深度学习技术对硅碳棒瑕疵特征进行提取。,深度学习理论基础卷积神经网络提出的卷积神经网络是深度学习领域的代表算法之一，是一种广泛应用于图像识别、计算机视觉和自然语言处理等领域的神经网络模型。它是一种层次结构的神经网络，包括卷积层、池化层、全连接层等多种层次。CNN的主要思想是通过局部感知采用多个卷积核对钧入图像进行卷积操作，提取出局部特征，进而实现图像的分类和识别。

       CNN的基本组成部分包括卷积层、池化层和全连接层，其中卷积层是整个网络的核心，它通过一组滤波器(也称卷积核或特征提取器)对输入的图像进行卷积运算，提取出不同尺度和不同方向的特征。池化层用于降低特征图的维度，并增加模型的普捧性，通常采用最大池化或平均池化的方式。全连接层将卷积层和池化层提取出的特征连接在一起，并将它们映射到输出层的神经元上，以得到最终的分类结果。

       CNN的优点在于可以自动地提取轴入数据中的特征，无需手动设计特征提取器，因此在图像识别、物休检测、语音识别等领域有着广泛的应用.目前，CNN的各种变体己经成为深度学习领域中最为流行和有效的模型之一。

       下面将对硅碳棒瑕疵检测算法进行对比介绍。按照网络结构的不同可分为单阶段目标检测模型与两阶段目标检测模型。表4-1为单阶段与两阶段模型优缺点对比表。

       在硅碳棒厂家实际生产过程中，对于效率有一定要求，同时，最终该模型猫要应用于实际的工业生产现场卜藉要进行边缘部署，且有时间要求，故所采用的模型数据t不宜过高。在后续模型确立过程中需要考虑到实际的边缘部署闷题以及工业实际的运行速度能否满足的问题。32，http://www.zbqunqiang.cn/