[1] [1] 1郭波， 管菊花， 黄志开. 基于改进Otsu算法的TFT-LCD点缺陷自动光学检测系统［J］. 液晶与显示， 2018， 33（3）： 221-227. doi: 10.3788/yjyxs20183303.0221GUOB， GUANJ H， HUANGZH K. Automatic optical detection system for TFT-LCD spot-type defect based on improved Otsu algorithm［J］. Chinese Journal of Liquid Crystals and Displays， 2018， 33（3）： 221-227.（in Chinese）. doi: 10.3788/yjyxs20183303.0221

[2] [2] 2周佳艺， 石照耀， 南浩轩， 等. 面向生产现场的注塑齿轮快速分选检测系统［J］. 光学 精密工程， 2020， 28（9）： 2017-2026. doi: 10.37188/OPE.20202809.2017ZHOUJ Y， SHIZH Y， NANH X， et al. Rapid sorting and inspecting system for plastic gears in production site［J］. Opt. Precision Eng.， 2020， 28（9）： 2017-2026.（in Chinese）. doi: 10.37188/OPE.20202809.2017

[3] C S CHEN, C L HUANG, C W YEH. A hybrid defect detection for in-tray semiconductor chip. The International Journal of Advanced Manufacturing Technology, 65, 43-56(2013).

[4] [4] 4王宸， 张秀峰， 刘超， 等. 改进YOLOv3的轮毂焊缝缺陷检测［J］. 光学 精密工程， 2021， 29（8）： 1942-1954. doi: 10.37188/OPE.20212908.1942WANGCH， ZHANGX F， LIUCH， et al. Detection method of wheel hub weld defects based on the improved YOLOv3［J］. Opt. Precision Eng.， 2021， 29（8）： 1942-1954.（in Chinese）. doi: 10.37188/OPE.20212908.1942

[5] [5] 5伍济钢， 成远， 邵俊， 等. 面向智能手机玻璃盖板缺陷检测的YOLOv3改进和应用［J］. 液晶与显示， 2021， 36（12）： 1728-1736. doi: 10.37188/CJLCD.2021-0172WUJ G， CHENGY， SHAOJ， et al. Improvement and application of YOLOv3 for defect detection of smart phone glass covers［J］. Chinese Journal of Liquid Crystals and Displays， 2021， 36（12）： 1728-1736.（in Chinese）. doi: 10.37188/CJLCD.2021-0172

[6] [6] 6楼豪杰， 郑元林， 廖开阳， 等. 基于Siamese-YOLOv4的印刷品缺陷目标检测［J］. 计算机应用， 2021， 41（11）： 3206-3212. doi: 10.11772/j.issn.1001-9081.2020121958LOUH J， ZHENGY L， LIAOK Y， et al. Defect target detection for printed matter based on Siamese-YOLOv4［J］. Journal of Computer Applications， 2021， 41（11）： 3206-3212.（in Chinese）. doi: 10.11772/j.issn.1001-9081.2020121958

[7] [7] 7孙光民， 陈佳阳， 李冰， 等. 双尺度网络高分辨率楼面影像微小缺陷检测［J］. 哈尔滨工程大学学报， 2021， 42（2）： 286-293. doi: 10.11990/jheu.201909096SUNG M， CHENJ Y， LIB， et al. Detection of small defects on a building wall surface from high-resolution images using dual-scale neural networks［J］. Journal of Harbin Engineering University， 2021， 42（2）： 286-293.（in Chinese）. doi: 10.11990/jheu.201909096

[8] S Q REN, K M HE, R GIRSHICK et al. Faster R-CNN： towards real-time object detection with region proposal networks. IEEE Transactions on Pattern Analysis and Machine Intelligence, 39, 1137-1149(2017).

[9] K M HE, G GKIOXARI, P DOLLÁR et al. Mask R-CNN, 2980-2988(2017).

[10] W LIU, D ANGUELOV, D ERHAN et al. SSD： single shot MultiBox detector, 21-37(2016).

[11] J REDMON, A FARHADI. YOLOv3： an incremental improvement. 2018： arXiv(1804). https：//arxiv.org/abs/1804.02767

[12] A BOCHKOVSKIY, C Y WANG, H Y M LIAO. YOLOv4： optimal speed and accuracy of object detection. arXiv preprint(2020).

[13] Z GE, S T LIU, F WANG et al. YOLOX： exceeding YOLO series in 2021. arXiv preprint(2021).

[14] B Y LI, Y LIU, X G WANG. Gradient harmonized single-stage detector. Proceedings of the AAAI Conference on Artificial Intelligence, 33, 8577-8584(2019).

[15] Z L HUANG, X G WANG, Y C WEI et al. CCNet： criss-cross attention for semantic segmentation, 603-612(2019).

[16] Z ZHENG, P WANG, D REN et al. Enhancing geometric factors in model learning and inference for object detection and instance segmentation. IEEE Transactions on Cybernetics(2021).

[17] M KISANTAL, Z WOJNA, J MURAWSKI et al. Augmentation for small object detection(2019).

[18] J PARK, J Y LEE et al. Cbam： Convolutional block attention module, 3-19(2018).

[19] Q L WANG, B G WU, P F ZHU et al. ECA-net： efficient channel attention for deep convolutional neural networks, 11531-11539(2020).

[20] M X TAN, R M PANG, Q V LE. EfficientDet： scalable and efficient object detection, 10778-10787(2020).

[21] J HU, L SHEN, G SUN. Squeeze-and-excitation networks, 7132-7141(2018).