國內(nèi)紫外像增強(qiáng)器視場瑕疵檢測技術(shù)研究現(xiàn)狀

丁習(xí)文，程宏昌,2，袁 淵,2，張若愚,2，楊書寧,2，楊 曄,2，黨小剛,2

（1.昆明物理研究所，云南 昆明 650223；2.微光夜視技術(shù)重點(diǎn)實(shí)驗(yàn)室，陜西 西安 710065）

0 引言

紫外像增強(qiáng)器是由光電陰極、微通道板和熒光屏等組件構(gòu)成的光學(xué)器件，其功能是將紫外輻射圖像轉(zhuǎn)化為可見光圖像。該器件在軍事任務(wù)中扮演著重要角色[1-2]，包括軍事目標(biāo)觀察、跟蹤、制導(dǎo)和告警等，是現(xiàn)代戰(zhàn)爭武器裝備中不可或缺的成像器件之一。然而，紫外像增強(qiáng)器的視場瑕疵對其探測性能有嚴(yán)重影響，這些瑕疵不僅會降低圖像質(zhì)量和視覺效果，還會損害圖像信息的準(zhǔn)確性。視場瑕疵主要源于組件材料的自身缺陷和制造過程中引入的污染，而且瑕疵的產(chǎn)生是不可避免的。因此，視場瑕疵檢測作為一種輔助手段，旨在篩選出不同視場等級的紫外像增強(qiáng)器，以滿足多樣化的使用需求。

視場瑕疵檢測技術(shù)最初是應(yīng)用于微光像增強(qiáng)器，由于紫外像增強(qiáng)器與其結(jié)構(gòu)相似[3]，并且視場瑕疵的特征基本相同，使得該技術(shù)在兩者之間具有一定的通用性。但是，相較于微光像增強(qiáng)器，紫外像增強(qiáng)器的視場中存在著更多、更復(fù)雜的瑕疵。因此，深入研究紫外像增強(qiáng)器視場瑕疵問題并提出更有效的瑕疵檢測方法，是當(dāng)前亟待解決的問題。

鑒于目前國內(nèi)尚未有對紫外像增強(qiáng)器視場瑕疵檢測技術(shù)進(jìn)行全面、詳盡的綜述文獻(xiàn)，于是參考了相應(yīng)的微光像增強(qiáng)器視場瑕疵檢測技術(shù)[4-9]，通過對相關(guān)文獻(xiàn)進(jìn)行了歸納梳理，對紫外像增強(qiáng)器視場瑕疵檢測技術(shù)展開了研究。研究的重點(diǎn)在于探討“紫外像增強(qiáng)器視場瑕疵”、“紫外像增強(qiáng)器視場瑕疵檢測技術(shù)”以及“紫外像增強(qiáng)器視場瑕疵檢測技術(shù)的未來發(fā)展趨勢”這三個方面。

1 紫外像增強(qiáng)器視場瑕疵

1.1 視場瑕疵的定義

視場瑕疵更多是基于人類觀感的概念，嚴(yán)格來說，視場中所有影響觀察的因素都可以被稱為視場瑕疵。在機(jī)器視覺任務(wù)中，需要提供一個可以量化的定義，即在紫外輻射照射下，待紫外像增強(qiáng)器工作狀態(tài)穩(wěn)定后，通過采集熒光屏輸出的圖像并對其灰度值分布進(jìn)行統(tǒng)計(jì)，可以準(zhǔn)確辨別出那些灰度值超過平均灰度值10%的圖像區(qū)域，這些區(qū)域呈現(xiàn)出不同的形狀圖案，被視為視場中的瑕疵[4-6]。

紫外像增強(qiáng)器視場瑕疵主要包括兩部分[4]：

1）在無紫外輻射的情況下，加以額定工作電壓，觀察熒光屏是否存在比周圍亮得多的點(diǎn)狀、條紋、發(fā)射點(diǎn)和其它形狀的圖案；

2）當(dāng)有紫外輻射的情況下，正常工作條件下觀察熒光屏圖像中的各規(guī)定區(qū)域內(nèi)是否出現(xiàn)超出規(guī)定對比度的亮點(diǎn)及暗點(diǎn)。

圖1 展示了紫外像增強(qiáng)器視場圖像中的一些典型瑕疵，包括(a)暗點(diǎn)、(b)亮點(diǎn)、(c)條紋狀、(d)暗斑、(e)亮斑和(f)發(fā)射狀。紫外像增強(qiáng)器視場瑕疵通常表現(xiàn)出同一類別但形態(tài)各異，與熒光屏背景之間有一定對比度等特點(diǎn)。

圖1 采集的視場圖像中典型瑕疵示例Fig.1 Typical defect examples in the field of view image acquisition

1.2 視場瑕疵檢測標(biāo)準(zhǔn)

紫外像增強(qiáng)器視場的檢測需求很明確，即判別瑕疵的數(shù)量、位置、大小。因此一個合格的紫外像增強(qiáng)器，需要在正常工作情況下滿足以下標(biāo)準(zhǔn)：

1）在無紫外輻射條件下，熒光屏各區(qū)域不應(yīng)存在固定位置的亮點(diǎn)；

2）在有紫外輻射條件下，熒光屏無干涉條紋且各區(qū)域的暗點(diǎn)數(shù)量、大小不應(yīng)超過規(guī)定值。

其中，非圓形暗斑的大小用等面積圓點(diǎn)的直徑表示；當(dāng)兩個暗斑或更多點(diǎn)之間的距離小于該區(qū)域最大點(diǎn)直徑時，將所有暗斑看作一個圓形點(diǎn)。

表1 展示了輸出窗口直徑為18 mm 的紫外像增強(qiáng)器視場暗點(diǎn)的檢測標(biāo)準(zhǔn)[6]。

表1 視場中各分區(qū)允許不同大小暗點(diǎn)存在的數(shù)量Table 1 The allowed number of scotoma of different sizes in each zone of the FOV

1.3 視場瑕疵檢測的難點(diǎn)

目前在紫外像增強(qiáng)器視場瑕疵檢測中，通常使用人工和機(jī)器視覺檢測方法。由于視場瑕疵存在特殊的性質(zhì)，會給視場瑕疵檢測帶來一定的困難。

1.3.1 同類瑕疵之間存在靠近現(xiàn)象

在紫外像增強(qiáng)器視場瑕疵檢測中，同類或異類瑕疵之間出現(xiàn)交疊、靠近的現(xiàn)象非常常見。當(dāng)多個同類瑕疵相互交疊時，它們往往會被視為一個瑕疵，即每個位置上只會出現(xiàn)一類瑕疵。然而，當(dāng)同類多個瑕疵之間過于接近時，也會被判定為一個瑕疵。因此，如何處理視場中多個相互靠近的同類瑕疵成為了檢測中的一個難題，如圖2所示。

圖2 同類瑕疵存在相互靠近的情況Fig.2 Similar defects are close to each other

1.3.2 大部分瑕疵占據(jù)圖像面積小、分布廣

通常，普通待檢測物體在圖片中占據(jù)的面積大小一般在1%～50%之間，而且待檢測物體的數(shù)量也不是很多，因此很容易被檢測算法識別出來。

然而在紫外像增強(qiáng)器視場中，瑕疵通常只占整張圖片不到1%的面積，而且它們雜亂地分布在綠色熒光屏背景下的各個位置，如圖3所示。這無疑給紫外像增強(qiáng)器視場瑕疵檢測帶來了困難。

圖3 視場中小瑕疵數(shù)量多、分布雜亂Fig.3 The number of small defects in the field of view is large and the distribution is messy

此外，紫外像增強(qiáng)器視場圖像通常是由高清攝像機(jī)拍攝的，具有較高的像素，這給后續(xù)的數(shù)字化處理帶來了一些不便?？赡苄枰獙D片進(jìn)行壓縮處理，但這樣就會導(dǎo)致一些小瑕疵的信息丟失。

1.3.3 不同種類瑕疵存在數(shù)量、形態(tài)差異

為了確保對視場瑕疵圖像的數(shù)據(jù)分析可靠性，采集了共計(jì)1331 張不合格的微光像增強(qiáng)器和紫外像增強(qiáng)器的視場圖像樣本，并對兩者共同存在的各類瑕疵占比情況進(jìn)行了統(tǒng)計(jì)分析（詳見表2）。從表中的結(jié)果可以觀察到，暗點(diǎn)（Scotoma）是占據(jù)相當(dāng)大比例的瑕疵類型，因此其也是視場瑕疵檢測中的主要檢測對象。其次，根據(jù)紫外像增強(qiáng)器視場樣本的實(shí)際情況，盡管條紋狀瑕疵的占比極低，但是它們卻呈現(xiàn)出更多樣的表現(xiàn)形式，有的發(fā)白，有的發(fā)黑，并且主要分布在紫外像增強(qiáng)器視場邊緣區(qū)域。綜上可知，在設(shè)計(jì)瑕疵檢測算法時，需要考慮樣本數(shù)量，并為數(shù)量較少且形狀復(fù)雜的瑕疵設(shè)計(jì)專門的算法，以實(shí)現(xiàn)更準(zhǔn)確的檢測效果。

表2 樣本中各類型瑕疵數(shù)量占比情況Table 2 The proportion of each type of defect in the samples

2 視場瑕疵檢測技術(shù)

2.1 人工檢測

人工檢測是一種基于人眼直接感知的方法。與微光像增強(qiáng)器可以直接觀察熒光屏的輸出圖像不同，由于設(shè)備間可能存在連接不緊密的情況，會導(dǎo)致紫外輻射的泄露，直接觀察可能會對人眼造成無法估計(jì)的損害。因此，為了操作安全考慮，紫外像增強(qiáng)器的視場瑕疵人工檢測需通過圖像采集裝置進(jìn)行觀察。操作流程如圖4所示：待紫外光源系統(tǒng)處于穩(wěn)定工作狀態(tài)時，檢測人員通過目視檢查采集到的紫外像增強(qiáng)器視場圖像來判斷是否存在瑕疵，并確定其位置和大小。

圖4 人工檢測示意圖Fig.4 Manual detection diagram

紫外像增強(qiáng)器視場瑕疵的人工檢測方法簡單易行、操作靈活，并能夠較準(zhǔn)確評估視場瑕疵的嚴(yán)重程度。與此同時，紫外像增強(qiáng)器需要借助圖像采集裝置，因此在采集過程中不可避免地會引入噪聲，會干擾視場瑕疵檢測的最終結(jié)果。

2.2 機(jī)器視覺視場瑕疵檢測

機(jī)器視覺檢測方法在紫外像增強(qiáng)器視場瑕疵檢測中相較于人工檢測方法具有優(yōu)勢，可以利用算法消除部分噪聲的影響，有效提高視場瑕疵檢測準(zhǔn)確率?；玖鞒倘鐖D5所示，包括以下3 部分：

圖5 基于機(jī)器視覺瑕疵檢測流程Fig .5 Defect detection process based on the machine vision

1）圖像采集

利用紫外光源、相機(jī)等設(shè)備獲取待測紫外像增強(qiáng)器的視場瑕疵圖像；

2）圖像預(yù)處理

對采集到的視場圖像進(jìn)行去噪、增強(qiáng)等處理，旨在消除圖像采集過程中引入的噪聲和模糊，以便進(jìn)行后續(xù)的瑕疵檢測；

3）瑕疵檢測

包括視場瑕疵的特征提取、特征篩選和分類器的使用，其主要任務(wù)是利用從視場圖像中提取到的有效特征信息進(jìn)行瑕疵的判別。

2.2.1 基于圖像閾值分割算法

紫外像增強(qiáng)器視場中的瑕疵灰度特征相似或接近，而與熒光屏背景的灰度特征則有明顯差異。閾值分割法就是通過設(shè)定適當(dāng)?shù)幕叶乳撝?，將視場圖像的像素點(diǎn)分為熒光屏背景和瑕疵兩類，從而圖像被分離成多個不重疊的背景區(qū)域和瑕疵區(qū)域。

由于實(shí)現(xiàn)簡單、計(jì)算量小且性能較穩(wěn)定，閾值分割法成為視場瑕疵檢測中最基本且應(yīng)用最廣泛的方法之一。其中閾值的選取是圖像閾值分割方法的關(guān)鍵，如果閾值過小，會將噪聲誤判為瑕疵；而閾值過大，則可能忽略一些變化不明顯的瑕疵。

關(guān)于灰度閾值的確定方法。許光正等人[4]根據(jù)視場圖像平均灰度的30%設(shè)定了固定閾值，首次實(shí)現(xiàn)了用CCD 成像系統(tǒng)代替人眼進(jìn)行像增強(qiáng)器的瑕疵檢測，主要適用于熒光屏背景和瑕疵灰度值區(qū)別明顯的情況。該方法不僅能統(tǒng)計(jì)瑕疵的數(shù)量，還可以對瑕疵進(jìn)行初步定位，提高了視場瑕疵檢測效率并具有較強(qiáng)的實(shí)時性。王吉暉等人[5]在此基礎(chǔ)之上根據(jù)視場瑕疵在熒光屏背景不同區(qū)域灰度區(qū)別較大的情況，采用了多區(qū)域閾值的方法。將視場圖像分為中心、中間和邊緣3 個區(qū)域，并分別設(shè)定了10%、10%、40%的不同對比度閾值。進(jìn)一步提高了像增強(qiáng)器視場瑕疵測試的精度要求。

趙清波等人[6]為滿足不同檢測環(huán)境采用了可調(diào)節(jié)閾值的方法，通過計(jì)算鄰近3 個像素點(diǎn)的灰度特征值方差，當(dāng)方差超過預(yù)設(shè)閾值時，將該點(diǎn)標(biāo)記為瑕疵。該方法可以解決瑕疵目標(biāo)與熒光屏背景的灰度值區(qū)別不明顯的情況，可以根據(jù)視場圖像的具體情況手動調(diào)節(jié)以達(dá)到最佳的檢測狀態(tài)。

2.2.2 基于圖像邊緣分割算法

基于邊緣分割的方法利用視場圖像中瑕疵目標(biāo)與熒光屏背景之間灰度值的不連續(xù)特性，可以通過微分的方式檢測出它們之間的交界線。常見的邊緣檢測算法包括一階微分邊緣檢測算子（Robert 算子、Prewitt算子、Sobel 算子等）和二階微分邊緣檢測算子（Laplace 算子、Canny 算子等）兩大類。

富容國等人[7]設(shè)計(jì)了一種類似于Robert 邊緣算子的簡化算法，用于檢測視場瑕疵的邊緣。隨后再將識別到的邊緣像素點(diǎn)標(biāo)記為紅色，最后使用黃色框體對該區(qū)域進(jìn)行標(biāo)記，最后檢測效果如圖6所示。這種方法可以簡便、快速地檢測紫外像增強(qiáng)器視場中的瑕疵，但在實(shí)際測試過程中會偶爾出現(xiàn)瑕疵邊緣定位不準(zhǔn)確的情況。

圖6 基于簡化版Robert 算法的視場瑕疵檢測Fig.6 Defect detection based on simplified Robert algorithm

二階微分邊緣檢測算法相較于一階算法對瑕疵的定位更加準(zhǔn)確，但對噪聲敏感。楊琦等人[8]就在圖像降噪處理后使用Canny 算法去識別視場瑕疵的邊緣，如圖7(a)所示，然后，參考區(qū)域生長算法的思想，從瑕疵的內(nèi)部向邊緣逐漸代替原有的灰度值，呈現(xiàn)的結(jié)果如圖7(b)所示，達(dá)到了較為良好的紫外像增強(qiáng)器視場瑕疵檢測效果。

圖7 基于Canny 算法的視場瑕疵檢測Fig .7 Defect detection based on Canny algorithm

2.2.3 基于信噪比的檢測方法

陰極面損傷、高壓放電、微通道板盲孔、以及工藝過程等因素都可能導(dǎo)致紫外像增強(qiáng)器視場出現(xiàn)各種形狀的瑕疵[8]。換句話說，瑕疵的出現(xiàn)實(shí)際上意味著該區(qū)域存在局部器件故障問題，因此也會在某些檢測中得到體現(xiàn)。

周斌等人[9]就采用了一種基于噪聲理論的時空信噪比瑕疵檢測方法。時空信噪比是一種綜合考慮時域和空域信息的信噪比度量方式，用于衡量信號在時間和空間上的質(zhì)量和強(qiáng)度。該方法能夠達(dá)到像素級的測試精度，并且不受瑕疵形狀和位置的限制，可以實(shí)現(xiàn)瑕疵的快速、準(zhǔn)確檢測。實(shí)驗(yàn)過程中在熒光屏坐標(biāo)為（98，100）的位置故意引入了一個瑕疵。圖8 展示了基于時空信噪比檢測方法的結(jié)果，其中顯示在Y＝100和X＝98 的位置（即紅框標(biāo)注的地方）信噪比出現(xiàn)了明顯的差異，這與事先人為引入瑕疵的位置完全相同。

圖8 在熒光屏中人為引入1 個瑕疵的測試結(jié)果Fig.8 The test results of intentionally introducing one defect on the fluorescent screen

2.2.4 機(jī)器視覺檢測方法的對比

機(jī)器視覺技術(shù)在紫外像增強(qiáng)器瑕疵檢測領(lǐng)域扮演著重要角色，不同檢測技術(shù)的對比如表3所示，其主要特點(diǎn)是結(jié)合了快速和自動化。相比于人工檢測方法，機(jī)器視覺技術(shù)能夠更快速、便捷地檢測出瑕疵，從而顯著提高了檢測的質(zhì)量和效率。

2.3 目前檢測方法存在的不足

綜上所述，對人工檢測和機(jī)器視覺檢測存在的不足進(jìn)行了歸納總結(jié)。

人工檢測方法存在的不足：

1）檢測結(jié)果受檢測人員的主觀因素影響較大，不同人可能對同一視場瑕疵存在判斷差異；

2）人工檢測速度較慢，面對復(fù)雜視場瑕疵情況容易漏檢或重復(fù)計(jì)數(shù)，并且長時間的目視觀察會導(dǎo)致視覺疲勞，從而影響檢測的準(zhǔn)確性；

3）勞動力成本高。紫外像增強(qiáng)器視場情況復(fù)雜，視場瑕疵檢測需要培養(yǎng)專業(yè)的檢測人員。

機(jī)器視覺技術(shù)相較于人工檢測效率有所提升，但也存在著以下一些不足：

1）對檢測環(huán)境要求較高。在實(shí)際應(yīng)用過程中噪聲干擾、目標(biāo)遮擋以及光源變化會影響檢測效果；

2）處理能力不足。機(jī)器視覺技術(shù)基于人工設(shè)計(jì)特征，無法考慮到視場中所有可能出現(xiàn)瑕疵的情況，因此在處理復(fù)雜形狀的瑕疵（如條紋、發(fā)射狀等）時相對較弱，需要人工干預(yù)來輔助檢測或者重新設(shè)計(jì)特殊的算法來解決；

3）沒有完善的評價(jià)指標(biāo)。在調(diào)研的文獻(xiàn)資料中，均未提及可以量化的檢測方法評價(jià)指標(biāo)，無法直觀地衡量不同檢測方法之間的性能提升程度。

通過對人工檢測以及機(jī)器視覺檢測進(jìn)行對比分析，如表4所示。表明了無論是人工檢測還是機(jī)器視覺檢測在面對紫外像增強(qiáng)器的復(fù)雜視場瑕疵情況下均存在著檢測效率不佳的問題。因此，需要一種新的紫外像增強(qiáng)器視場瑕疵檢測方法來解決當(dāng)前存在的不足和挑戰(zhàn)。

表4 人工檢測與機(jī)器視覺檢測的對比Table 4 Comparison between manual detection and machine vision detection

3 發(fā)展趨勢

針對當(dāng)前視場瑕疵檢測方法的局限，相關(guān)領(lǐng)域研究人員正在積極探索更有效和更具魯棒性的視場瑕疵檢測方法，特別是隨著深度學(xué)習(xí)技術(shù)的不斷完善，為視場瑕疵檢測的發(fā)展帶來了巨大的機(jī)遇。

深度學(xué)習(xí)的概念源自于人工神經(jīng)網(wǎng)絡(luò)，它是一種具有深層結(jié)構(gòu)的神經(jīng)網(wǎng)絡(luò)，能夠自動學(xué)習(xí)和提取輸入數(shù)據(jù)的特征，可以在一定程度上解決之前機(jī)器視覺檢測中面對復(fù)雜情況檢測效果不佳的問題。同時，基于深度學(xué)習(xí)的瑕疵檢測技術(shù)有著相對完善的評價(jià)指標(biāo)，便于直觀評價(jià)不同算法的性能優(yōu)劣。

國內(nèi)已經(jīng)有許多基于深度學(xué)習(xí)技術(shù)的其他工業(yè)領(lǐng)域瑕疵檢測成功案例。其中，國內(nèi)海康威視公司自主研發(fā)的Vision Master 算法平臺[10]，包含了上百種功能完善、性能優(yōu)秀的深度學(xué)習(xí)圖像處理算法，可滿足工業(yè)中定位、測量和識別的檢測需求，如圖9所示。其在2018年發(fā)布的“合智能”系列攝像機(jī)[10]，嵌入了多種高效的深度學(xué)習(xí)算法，適用于各種復(fù)雜場景，能夠輕松實(shí)現(xiàn)瑕疵圖像的采集和分析，顯著提高了瑕疵檢測的效率。此外，還有凌華科技、大恒圖像、視覺龍、凌云光子、OPT、三姆森和微視圖像等國內(nèi)公司也在開展基于深度學(xué)習(xí)的瑕疵檢測技術(shù)研究[11]。

圖9 ?？低昖ision Master 算法平臺的檢測效果：(a)表面亮斑；(b)表面劃痕；(c)形狀異常；(d)輪廓?dú)埲保?e)劃痕檢測；(f)字符缺陷；(g)崩邊檢測；(h)污漬檢測；(e)劃痕檢測；(f)字符缺陷；(g)崩邊檢測；(h)污漬檢測Fig.9 The detection results of Hikvision's Vision Master algorithm platform:(a)Surface speck;(b)Surface scratch;(c)Shape anomaly;(d)Contour incomplete;(e)Scratch detection;(f)Character defect;(g)Edge collapse detection;(h)Stain detection

目前，基于深度學(xué)習(xí)的瑕疵檢測方法[12]大致有以下幾種：卷積神經(jīng)網(wǎng)絡(luò)（convolutional neural networks，CNN）、全卷積網(wǎng)絡(luò)（fully convolutional networks ，F(xiàn)CN）、自編碼器（auto encoders，AE）、殘差網(wǎng)絡(luò)（residual network，ResNet）、深度置信網(wǎng)絡(luò)（deep belief network，DBN）以及循環(huán)神經(jīng)網(wǎng)絡(luò)（recurrent neural network，RNN）。同時，將深度學(xué)習(xí)相關(guān)研究在其他工業(yè)領(lǐng)域瑕疵檢測的應(yīng)用進(jìn)行了部分梳理匯總，詳情見表5。

表5 基于深度學(xué)習(xí)的瑕疵檢測的部分研究應(yīng)用Table 5 Some research applications of defect detection based on deep learning

可以看出，基于深度學(xué)習(xí)的瑕疵檢測技術(shù)已經(jīng)在其他工業(yè)領(lǐng)域得到了廣泛的應(yīng)用。在相對復(fù)雜的瑕疵情景下，尤其是針對小瑕疵的TFT-LCD 以及手機(jī)屏幕等場景，深度學(xué)習(xí)技術(shù)都表現(xiàn)出了出色的檢測效果。通過這些實(shí)踐證明，可以得出結(jié)論：基于深度學(xué)習(xí)的瑕疵檢測技術(shù)在紫外像增強(qiáng)器視場領(lǐng)域有十分廣闊的應(yīng)用前景，可以進(jìn)行相應(yīng)的嘗試。

4 總結(jié)

視場瑕疵檢測技術(shù)在紫外像增強(qiáng)器制造中扮演著至關(guān)重要的角色，它的目的是對產(chǎn)品進(jìn)行質(zhì)量篩選。目前，雖然人工檢測和機(jī)器視覺檢測在紫外像增強(qiáng)器視場瑕疵檢測的研究方面已經(jīng)取得了可觀的效果，但在實(shí)際應(yīng)用中仍存在檢測效率不高的問題，這在一定程度上限制了它們的實(shí)用性。

相比之下，基于深度學(xué)習(xí)的瑕疵檢測技術(shù)已經(jīng)在部分工業(yè)領(lǐng)域取得了優(yōu)秀的性能表現(xiàn)。為了能夠有效解決現(xiàn)階段紫外像增強(qiáng)器視場瑕疵檢測領(lǐng)域存在的一些檢測難點(diǎn)，例如瑕疵分布雜亂、瑕疵尺寸較小以及檢測過程中需要人工輔助判別等。并且能夠進(jìn)一步提高紫外像增強(qiáng)器視場瑕疵檢測的準(zhǔn)確性和魯棒性，以實(shí)現(xiàn)更加智能化視場瑕疵檢測的目標(biāo)?；诖?，建議在紫外像增強(qiáng)器視場瑕疵檢測領(lǐng)域應(yīng)用深度學(xué)習(xí)技術(shù)。