[1] [1] 1张静， 叶玉堂， 谢煜， 等. 金属圆柱工件缺陷的光电检测［J］. 光学 精密工程， 2014， 22（7）： 1871-1876. doi: 10.3788/ope.20142207.1871ZHANGJ， YEY T， XIEY， et al. Optoelectronic inspection of defects for metal cylindrical workpieces［J］. Optics and Precision Engineering， 2014， 22（7）： 1871-1876.（in Chinese）. doi: 10.3788/ope.20142207.1871

[2] [2] 2石炜， 张袁祥， 李嘉楠. 列车滚子轴承表面缺陷机器视觉检测方法研究［J］. 机械设计与制造， 2022（4）： 183-186. doi: 10.3969/j.issn.1001-3997.2022.04.041SHIW， ZHANGY X， LIJ N. Research on machine vision detection method for surface defects of train roller bearings［J］. Machinery Design & Manufacture， 2022（4）： 183-186.（in Chinese）. doi: 10.3969/j.issn.1001-3997.2022.04.041

[3] J H LIN, Y YAO, L MA et al. Detection of a casting defect tracked by deep convolution neural network. The International Journal of Advanced Manufacturing Technology, 97, 573-581(2018).

[4] X H SUN, J N GU, R HUANG et al. Surface defects recognition of wheel hub based on improved faster R-CNN. Electronics, 8, 481(2019).

[5] [5] 5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］. Optics and Precision Engineering， 2021， 29（8）： 1942-1954.（in Chinese）. doi: 10.37188/OPE.20212908.1942

[6] [6] 6程婧怡， 段先华， 朱伟. 改进YOLOv3的金属表面缺陷检测研究［J］. 计算机工程与应用， 2021， 57（19）： 252-258.CHENGJ Y， DUANX H， ZHUW. Research on metal surface defect detection by improved YOLOv3［J］. Computer Engineering and Applications， 2021， 57（19）： 252-258.（in Chinese）

[7] Z GE, S T LIU, F WANG et al. YOLOX： exceeding YOLO Series in 2021. arXiv, 2107-08430(2021). https：//arxiv.org/abs/2107.08430

[8] [8] 8伍济钢， 成远， 邵俊， 等. 基于改进YOLOv4算法的PCB缺陷检测研究［J］. 仪器仪表学报， 2021， 42（10）： 171-178.WUJ G， CHENGY， SHAOJ， et al. A defect detection method for PCB based on the improved YOLOv4［J］. Chinese Journal of Scientific Instrument， 2021， 42（10）： 171-178.（in Chinese）

[9] [9] 9罗钧， 曾伟， 龚燕峰， 等. 融入IBN-NET的轻量网络在金属圆柱工件缺陷识别中的应用［J］. 计算机辅助设计与图形学学报， 2020， 32（1）： 112-120.LUOJ， ZENGW， GONGY F， et al. Application of lightweight network with IBN-NET in defect recognition of metal cylindrical workpieces［J］. Journal of Computer-Aided Design & Computer Graphics， 2020， 32（1）： 112-120.（in Chinese）

[10] Y LAN, W X XU. Insulator defect detection algorithm based on a lightweight network. Journal of Physics： Conference Series, 2181(2022).

[11] Y F SHU, B LI, X M LI et al. Deep learning-based fast recognition of commutator surface defects. Measurement, 178, 109324(2021).

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

[13] Z H ZHENG, P WANG, D W REN et al. Enhancing geometric factors in model learning and inference for object detection and instance segmentation. IEEE Transactions on Cybernetics, 52, 8574-8586(2022).

[14] S T LIU, D HUANG, Y H WANG. Learning Spatial Fusion for Single-Shot Object Detection. arXiv, 1911-09516(2019). https：//arxiv.org/abs/1911.09516

[15] S LIU, L QI, H F QIN et al. Path aggregation network for instance segmentation, 8759-8768(2018).

[16] C Y WANG, H Y MARK LIAO, Y H WU et al. CSPNet： a new backbone that can enhance learning capability of CNN, 1571-1580(2020).

[17] M X TAN, Q V LE. EfficientNet： Rethinking Model Scaling for Convolutional Neural Networks. arXiv, 1905-11946(2019). https：//arxiv.org/abs/1905.11946

[18] [18] 18陈欣， 万敏杰， 马超， 等. 采用多尺度特征融合SSD的遥感图像小目标检测［J］. 光学 精密工程， 2021， 29（11）： 2672-2682. doi: 10.37188/OPE.20212911.2672CHENX， WANM J， MACH， et al. Recognition of small targets in remote sensing image using multi-scale feature fusion-based shot multi-box detector［J］. Opt. Precision Eng.， 2021， 29（11）： 2672-2682.（in Chinese）. doi: 10.37188/OPE.20212911.2672

[19] [19] 19梁水波， 刘紫燕， 袁浩， 等. 注意力和多重特征融合的图像局部特征检测及描述［J］. 传感技术学报， 2021， 34（8）： 1075-1081. doi: 10.3969/j.issn.1004-1699.2021.08.011LIANGSH B， LIUZ Y， YUANH， et al. Image local feature detection and description based on attention and multi-layer feature fusion［J］. Chinese Journal of Sensors and Actuators， 2021， 34（8）： 1075-1081.（in Chinese）. doi: 10.3969/j.issn.1004-1699.2021.08.011

[20] [20] 20朱威， 王立凯， 靳作宝， 等. 引入注意力机制的轻量级小目标检测网络［J］. 光学 精密工程， 2022， 30（8）： 998-1010. doi: 10.37188/OPE.20223008.0998ZHUW， WANGL K， JINZ B， et al. Lightweight small object detection network with attention mechanism［J］. Optics and Precision Engineering， 2022， 30（8）： 998-1010.（in Chinese）. doi: 10.37188/OPE.20223008.0998

[21] J PARK, J Y LEE et al. CBAM： Convolutional Block Attention Module, 3-19(2018).

[22] T Y LIN, P GOYAL, R GIRSHICK et al. Focal loss for dense object detection, 2999-3007(2017).

[23] S SHAHINFAR, P MEEK, G FALZON. How many images do I need？” Understanding how sample size per class affects deep learning model performance metrics for balanced designs in autonomous wildlife monitoring. Ecological Informatics, 57, 101085(2020).

[24] J H YU, Y N JIANG, Z Y WANG et al. UnitBox： an advanced object detection network, 516-520(19).

[25] H REZATOFIGHI, N TSOI, J GWAK et al. Generalized intersection over union： a metric and a loss for bounding box regression, 658-666(2020).

[26] Z H ZHENG, P WANG, W LIU et al. Distance-IoU loss： faster and better learning for bounding box regression. Proceedings of the AAAI Conference on Artificial Intelligence, 34, 12993-13000(2020).