鄭代福，周田，曾志平，黃衍堂，許燦華

（福州大學(xué)物理與信息工程學(xué)院，福州 350116）

0 引言

光學(xué)元件是激光加工、光學(xué)測(cè)量、光學(xué)傳感、光學(xué)通信等光學(xué)應(yīng)用領(lǐng)域的基礎(chǔ)。隨著現(xiàn)代科技產(chǎn)品對(duì)光學(xué)元件的需求增加，光學(xué)元件表面缺陷的檢測(cè)識(shí)別逐漸成了現(xiàn)代化企業(yè)重點(diǎn)關(guān)注的問(wèn)題。對(duì)于非光學(xué)工業(yè)產(chǎn)品的檢測(cè)，近年傳統(tǒng)的人工檢測(cè)方法已經(jīng)逐步被采用光學(xué)成像并進(jìn)行圖像識(shí)別的機(jī)械視覺(jué)檢測(cè)所替代［1］。但對(duì)光學(xué)元件直接成像時(shí)，由于高光現(xiàn)象（特指光學(xué)元件的高透過(guò)率、高反射率和定向反射等現(xiàn)象）的存在，成像過(guò)程容易出現(xiàn)局部的過(guò)度曝光或曝光不足的問(wèn)題，元件目標(biāo)缺陷細(xì)節(jié)大幅降低甚至消失，從而導(dǎo)致圖像識(shí)別算法無(wú)法對(duì)元件缺陷進(jìn)行準(zhǔn)確識(shí)別［2］。此外，光學(xué)元件缺陷有麻點(diǎn)、劃痕、氣泡、崩邊等類(lèi)型，缺陷類(lèi)型較多，圖像分析和缺陷識(shí)別的難度較大［3］。因此，降低高光現(xiàn)象對(duì)成像質(zhì)量的影響，研究高準(zhǔn)確率的缺陷識(shí)別算法是在光學(xué)元件高速工業(yè)生產(chǎn)中實(shí)現(xiàn)快速、準(zhǔn)確檢測(cè)需要解決的兩個(gè)關(guān)鍵問(wèn)題。

光學(xué)元件檢測(cè)方法包含目視法、濾波成像法、掠射法、散射能量分析法、頻譜分析法等［3］，其中基于偏振的濾波成像法可以攔截特定方向的偏振光，降低成像場(chǎng)景中高光和背景雜散光的影響。在對(duì)光學(xué)元件的缺陷進(jìn)行偏振成像時(shí)，照射在目標(biāo)缺陷的光被反射或散射會(huì)改變其偏振狀態(tài)，與高光和背景雜散光的偏振態(tài)有所區(qū)別，再利用偏振相機(jī)采集各個(gè)不同偏振方向的圖像，計(jì)算出缺陷圖像的偏振度，可以有效降低高光和雜散光的影響，提高缺陷成像信噪比［4-6］。在缺陷檢測(cè)算法方面，基于人工智能、模式識(shí)別、機(jī)器學(xué)習(xí)和深度學(xué)習(xí)等高級(jí)智能化的缺陷提取算法是近年的研究熱點(diǎn)［7-8］。其中基于卷積神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)算法（CNN）可以直接將原始圖像作為輸入，通過(guò)有監(jiān)督或無(wú)監(jiān)督學(xué)習(xí)自動(dòng)提取圖像特征，網(wǎng)絡(luò)搭建和運(yùn)行過(guò)程中不需要進(jìn)行復(fù)雜的圖像預(yù)處理和人工圖像特征選取，減少了人工參與量，并且網(wǎng)絡(luò)結(jié)構(gòu)簡(jiǎn)單、適應(yīng)性強(qiáng)、效率高［9］。國(guó)內(nèi)外已有研究中采用卷積神經(jīng)網(wǎng)絡(luò)對(duì)硅片、油漆、石材、木材以及紡織物等非光學(xué)表面進(jìn)行檢測(cè)，其準(zhǔn)確率可達(dá)到98%［10］。

本文針對(duì)目前光學(xué)元件自動(dòng)檢測(cè)技術(shù)中存在的困難，采用偏振相機(jī)與暗場(chǎng)成像相結(jié)合的方法消除高光現(xiàn)象對(duì)光學(xué)元件成像質(zhì)量的影響，提高成像對(duì)比度。并在采集大量光學(xué)元件表面缺陷圖像后，引入卷積神經(jīng)網(wǎng)絡(luò)研究光學(xué)元件表面缺陷的識(shí)別算法，比較不同網(wǎng)絡(luò)的性能和識(shí)別準(zhǔn)確率，為實(shí)現(xiàn)高速、準(zhǔn)確的光學(xué)元件自動(dòng)檢測(cè)技術(shù)提供參考。

1 原理與方法

1.1 DoLP線偏振度成像原理和光路搭建

元件成像使用的偏振相機(jī)是由FLIR 公司生產(chǎn)的分焦平面（DoFP）線偏振相機(jī)。該相機(jī)在獲取2 440×2 048 像素DoLP 偏振度圖片時(shí)相機(jī)幀頻率可達(dá)到75 幀／s，相機(jī)結(jié)構(gòu)緊湊，尺寸為29 mm ×29 mm ×30 mm。DoFP原理如圖1（a）所示，相機(jī)焦平面上相鄰的4 個(gè)探測(cè)器（像素點(diǎn)）前分別覆蓋0°、90°、45°和135°的偏振片（納米金屬光柵），并將此周期單元拓展到探測(cè)器的全部焦平面，從而實(shí)現(xiàn)相機(jī)在單次曝光中采集4 張不同偏振方向的圖片。這4 幅圖可被轉(zhuǎn)換為線性Stokes參量進(jìn)行實(shí)時(shí)的偏振度成像。Stokes 偏振度成像需要的S0、S1和S2分量的求解公式如下：

圖1 DoLP線偏振成像原理（a）分焦平面偏振技術(shù)示意圖，（b）分焦平面偏振相機(jī)，（c）基于分焦平面偏振相機(jī)的暗場(chǎng)成像光路

式中：S0表示光強(qiáng)；S1表示豎直與水平偏振方向的光強(qiáng)差；S2表示45°偏振方向與135°偏振方向的光強(qiáng)差。

在偏振成像的基礎(chǔ)上，結(jié)合暗場(chǎng)成像方法搭建了如圖1（c）所示的成像光路。由于環(huán)形LED 光源被載物臺(tái)阻擋，照明光無(wú)法直接到達(dá)相機(jī)接收面，屬于暗場(chǎng)成像。照明光源屬于自然偏振，所以背景雜散光也是自然偏振的，其Stokes矢量只存在S0分量。而光學(xué)元件的邊緣和缺陷將破壞照明光的偏振狀態(tài)，其散射光中存在S1和S2分量。各個(gè)Stokes分量可以通過(guò)偏振相機(jī)進(jìn)行記錄，消除高光與雜散光的問(wèn)題便轉(zhuǎn)化為消除S0的影響，分離出包含S1和S2分量的缺陷圖像，常用的方法是計(jì)算圖像的線偏振度（DoLP）：

采用該方法可以有效剔除偏振態(tài)為自然偏振的高光和背景雜散光的影響，只保留偏振度發(fā)生改變的光學(xué)元件邊緣和缺陷的圖樣。因此，該方式可以降低照明光對(duì)成像質(zhì)量的影響，獲得高信噪比的缺陷圖像。

1.2 卷積神經(jīng)網(wǎng)絡(luò)的圖像識(shí)別算法基礎(chǔ)

卷積神經(jīng)網(wǎng)絡(luò)的圖像識(shí)別算法是一種使用卷積計(jì)算的多層神經(jīng)網(wǎng)絡(luò)算法，是深度神經(jīng)網(wǎng)絡(luò)的代表算法之一。與一般的圖像識(shí)別算法相比，卷積神經(jīng)網(wǎng)絡(luò)不需要進(jìn)行圖像預(yù)處理，網(wǎng)絡(luò)表征能力強(qiáng)，對(duì)平移、翻轉(zhuǎn)、縮放等變形的識(shí)別具有高度不變性，并且卷積權(quán)值共享的特點(diǎn)有效地降低了算法的復(fù)雜程度和網(wǎng)絡(luò)參數(shù)，使得卷積神經(jīng)網(wǎng)絡(luò)算法與其他算法相比具備了圖片預(yù)處理工作少、結(jié)構(gòu)簡(jiǎn)單、參數(shù)少等特點(diǎn)。隨著卷積神經(jīng)網(wǎng)絡(luò)和計(jì)算機(jī)技術(shù)的發(fā)展，大量?jī)?yōu)秀的卷積神經(jīng)網(wǎng)絡(luò)模型被提出［11-12］。網(wǎng)絡(luò)的識(shí)別能力越來(lái)越強(qiáng)，但大多數(shù)網(wǎng)絡(luò)模型都朝著增加網(wǎng)絡(luò)參數(shù)的方向發(fā)展。巨大的網(wǎng)絡(luò)參數(shù)占用了計(jì)算機(jī)內(nèi)存和運(yùn)行時(shí)間，使得其難以應(yīng)用高速工業(yè)生產(chǎn)。雖然輕量級(jí)卷積神經(jīng)網(wǎng)絡(luò)模型研究正在進(jìn)行［13-14］，但目前輕量級(jí)卷積神經(jīng)網(wǎng)絡(luò)主要應(yīng)用于手機(jī)移動(dòng)終端，在工業(yè)生產(chǎn)中應(yīng)用范圍小且沒(méi)有針對(duì)性。所以本文以LeNet-5 網(wǎng)絡(luò)模型為基礎(chǔ)，引入線性修正單元（ReLU）、多尺度卷積（Multi-scale）和卷積通道拓展等優(yōu)化方法，搭建了一種適用于光學(xué)元件缺陷檢測(cè)的輕量級(jí)卷積神經(jīng)網(wǎng)絡(luò)算法。

本文采用的CNN 缺陷識(shí)別算法基礎(chǔ)框架如圖2（a）所示。LeNet-5 卷積神經(jīng)網(wǎng)絡(luò)模型［9］是最早被提出的卷積神經(jīng)網(wǎng)絡(luò)之一，最初被用于手寫(xiě)數(shù)字的識(shí)別（包含0～9 共10 個(gè)字符）。其網(wǎng)絡(luò)框架只有5層，包含了如今卷積神經(jīng)網(wǎng)絡(luò)的全部基本結(jié)構(gòu)，即用于特征提取的卷積層，縮小特征尺寸的池化層，進(jìn)行特征分類(lèi)的全連接層和引入網(wǎng)絡(luò)非線性的激活函數(shù)。幾乎所有現(xiàn)存的卷積神經(jīng)網(wǎng)絡(luò)都是由其改進(jìn)而來(lái)。

圖2 （a）LeNet-5卷積伸進(jìn)網(wǎng)絡(luò)模型框架，（b）SqueezeNet卷積神經(jīng)網(wǎng)絡(luò)模型框架，（c）SqueezeNet基礎(chǔ)模塊

如圖2（b）所示的輕量級(jí)卷積神經(jīng)網(wǎng)絡(luò)模型SqueezeNet［13］是目前最廣泛用于特征分類(lèi)的網(wǎng)絡(luò)模型之一。該網(wǎng)絡(luò)通過(guò)使用圖2（c）所示的Fire 模塊，可以在幾乎不降低AlexNet 網(wǎng)絡(luò)模型識(shí)別能力的情況下將AlexNet 的網(wǎng)絡(luò)參數(shù)降低至原參數(shù)量的20%［13］。相比LeNet-5 網(wǎng)絡(luò)，SqueezeNet 網(wǎng)絡(luò)框架有如下特點(diǎn)：①網(wǎng)絡(luò)模型的18 個(gè)卷積層中擁有包括不同卷積核在內(nèi)的近3 000 個(gè)卷積通道，可以提取到更多的圖像特征；②比全連接層的網(wǎng)絡(luò)參數(shù)和網(wǎng)絡(luò)計(jì)算量更低的特征分類(lèi)方法global avg pooling；③可以有效解決梯度下降的ReLU 激活函數(shù)；④能有效降低網(wǎng)絡(luò)參數(shù)的Fire方法。實(shí)驗(yàn)證明，以上4 點(diǎn)特征使得SqueezeNet網(wǎng)絡(luò)模型的識(shí)別能力遠(yuǎn)超于LeNet-5 網(wǎng)絡(luò)模型，與AlexNet網(wǎng)絡(luò)模型接近。但是LeNet-5 網(wǎng)絡(luò)模型的識(shí)別能力是不可忽視的，并且LeNet-5 網(wǎng)絡(luò)模型結(jié)構(gòu)簡(jiǎn)單、計(jì)算量小、設(shè)備性能需求低，更適合在應(yīng)用范圍廣、需求量大的工業(yè)生產(chǎn)中使用。

本文根據(jù)SqueezeNet網(wǎng)絡(luò)結(jié)構(gòu)和現(xiàn)有的網(wǎng)絡(luò)改進(jìn)方法，確定了LeNet-5 網(wǎng)絡(luò)模型的改進(jìn)策略：①使用尺寸為3 ×3 的卷積核進(jìn)行卷積計(jì)算以降低網(wǎng)絡(luò)參數(shù)；②第2 卷積層一半卷積通道的卷積核改為5 ×5 以增加提取特征的豐富程度，并將兩卷積層的卷積通道分別增加到30 層和100 層；③網(wǎng)絡(luò)中間層使用ReLU激活函數(shù)，輸出層使用softmax激活函數(shù)。改進(jìn)后的LeNet-5 網(wǎng)絡(luò)的詳細(xì)框架如圖3 所示。

圖3 LeNet-5改進(jìn)網(wǎng)絡(luò)結(jié)構(gòu)示意圖

改進(jìn)后的LeNet-5 網(wǎng)絡(luò)結(jié)構(gòu)更加復(fù)雜，網(wǎng)絡(luò)參數(shù)和網(wǎng)絡(luò)計(jì)算量都有所增加，但該網(wǎng)絡(luò)的網(wǎng)絡(luò)參數(shù)和網(wǎng)絡(luò)計(jì)算量都遠(yuǎn)低于SqueezeNet網(wǎng)絡(luò)。當(dāng)輸入圖片尺寸是79 ×79 ×1 像素，網(wǎng)絡(luò)輸出通道為5時(shí)，改進(jìn)后的LeNet-5 網(wǎng)絡(luò)參數(shù)只有SqueezeNet 網(wǎng)絡(luò)的8.7%（63K／726K），網(wǎng)絡(luò)計(jì)算量為其30%（21M／70M）。

2 實(shí)驗(yàn)結(jié)果與分析

2.1 DoLP線偏振度成像結(jié)果分析與缺陷圖集制作

為了驗(yàn)證如圖1（c）所示的成像裝置的成像效果，在不同光照強(qiáng)度下獲取了光學(xué)元件樣本的缺陷圖（直徑4 mm，厚度1 mm）。成像圖像顯示于圖4中，照明光強(qiáng)從左到右逐級(jí)減半。圖中可以看到兩個(gè)明顯的現(xiàn)象：①隨著照明光強(qiáng)的降低，樣本缺陷在DoLP圖像中保留完整，在原始光強(qiáng)圖中嚴(yán)重缺失甚至消失；②原始光強(qiáng)圖（b1～b3）的元件邊緣是明顯的亮環(huán)，而DoLP線偏振度圖（a1～a3）的元件邊緣是兩條窄邊包圍的同心暗環(huán)。這是因?yàn)楣鈱W(xué)元件具有一定厚度，上下圓面邊緣到達(dá)相機(jī)角度不同而分別形成了兩個(gè)圓環(huán)，并且元件側(cè)邊為非光滑表面，散射光的主要成分是自然偏振光，該光線在DoLP 成像中被抑制，所以呈現(xiàn)為同心暗環(huán)。該特性在對(duì)元件邊緣區(qū)域的缺陷進(jìn)行識(shí)別時(shí)存在優(yōu)勢(shì)，原始光強(qiáng)圖中，照明光通過(guò)樣本側(cè)邊散射形成的亮環(huán)的強(qiáng)度很高，會(huì)掩蓋部分靠近樣本邊緣的缺陷，然而通過(guò)DoLP 線偏振度成像方法即可很好的解決這一問(wèn)題，這一現(xiàn)象表明偏振成像對(duì)于正確記錄光學(xué)元件表面缺陷細(xì)節(jié)，獲得高信噪比圖像有更大的優(yōu)勢(shì)。

圖4 （a1～a3）不同光照下DoLP 線偏振度成像，（b1～b3）相應(yīng)照明下原始光強(qiáng)成像；照明光強(qiáng)從左到右逐級(jí)減半

為了更客觀地評(píng)價(jià)兩種成像方式的成像質(zhì)量，計(jì)算了圖4 中6 幅圖的平均梯度［15］。結(jié)果顯示DoLP圖像的平均梯度是原始光強(qiáng)圖的2～3倍，說(shuō)明采用偏振成像方法采集的樣本圖像的缺陷更清晰，邊緣更銳利。

通過(guò)該實(shí)驗(yàn)可知，如圖1（c）所示的暗場(chǎng)偏振成像光路可以對(duì)光學(xué)元件進(jìn)行高質(zhì)量成像，但想要使用卷積神經(jīng)網(wǎng)絡(luò)對(duì)其進(jìn)行缺陷識(shí)別，還需要進(jìn)行缺陷圖集的制作。

在缺陷識(shí)別中，缺陷類(lèi)型的識(shí)別是工業(yè)生產(chǎn)中最常見(jiàn)也是需求最多的一種識(shí)別方式。缺陷圖集的缺陷可分為5類(lèi)，分別為邊緣崩壞、邊緣無(wú)缺、表面劃痕、表面麻點(diǎn)和表面無(wú)缺。本文構(gòu)建的光學(xué)元件缺陷圖集的部分缺陷圖片展示在圖5 中。圖中每1 張缺陷圖片都由直徑15 mm、厚1 mm 的光學(xué)元件偏振度像圖裁剪而來(lái)。光學(xué)元件的每一張偏振度像圖都被裁剪為36張，每小張圖片由340 ×340 個(gè)像素點(diǎn)組成。在訓(xùn)練過(guò)程中，以上每種缺陷類(lèi)型都有3 000 張圖片（訓(xùn)練圖片：2 500，測(cè)試圖片：500），圖片輸入網(wǎng)絡(luò)前，使用最大池化將圖片大小統(tǒng)一為79 ×79 像素。

圖5 光學(xué)元件缺陷圖集

2.2 LeNet-5 改進(jìn)網(wǎng)絡(luò)的測(cè)試與分析

實(shí)驗(yàn)采用圖5 所示的缺陷圖集進(jìn)行訓(xùn)練。數(shù)據(jù)批量尺寸為100，學(xué)習(xí)率0.01（SqueezeNet網(wǎng)絡(luò)在4 次迭代后學(xué)習(xí)率下調(diào)至0.001），迭代800 次。網(wǎng)絡(luò)運(yùn)行環(huán)境為Pytorch，計(jì)算機(jī)硬件信息分別是：CPU：Intel（R）Core（TM）i5-9500 FCPU ＠ 3.00 GHz，顯卡：Radeon 250 集成顯卡，核心頻率905 MHz。網(wǎng)絡(luò)性能通過(guò)測(cè)試圖集準(zhǔn)確率，訓(xùn)練時(shí)間和測(cè)試時(shí)間體現(xiàn)。為了體現(xiàn)網(wǎng)絡(luò)性能，使用LeNet-5 +Relu +softmax、LeNet-5 +多尺度卷積、LeNet-5 +卷積通道拓展以及如圖2 所示的SqueezeNet網(wǎng)絡(luò)模型進(jìn)行性能對(duì)比。實(shí)驗(yàn)結(jié)果展示在表1 和圖6中，表2 中的混淆矩陣是如圖3 所示的改進(jìn)后的LeNet-5 網(wǎng)絡(luò)識(shí)別準(zhǔn)確率達(dá)到最大時(shí)對(duì)各缺陷的識(shí)別情況。

圖6 不同網(wǎng)絡(luò)結(jié)構(gòu)識(shí)別準(zhǔn)確率變化曲線

從表1 可以看出，原始LeNet-5 網(wǎng)絡(luò)模型對(duì)光學(xué)元件缺陷圖集的識(shí)別率只有87.88%。分別使用ReLU+softmax、多尺度卷積和卷積通道拓展對(duì)網(wǎng)絡(luò)進(jìn)行優(yōu)化，網(wǎng)絡(luò)的缺陷識(shí)別率可以增加到88.60%、93.16%和95.20%。結(jié)合3 種改進(jìn)方法的改進(jìn)型LeNet-5 網(wǎng)絡(luò)（其結(jié)構(gòu)如圖3 所示），可以使網(wǎng)絡(luò)識(shí)別率達(dá)到96.72%，相比原始LeNet-5 網(wǎng)絡(luò)提高了8.84%，網(wǎng)絡(luò)訓(xùn)練和測(cè)試時(shí)間分別增加93.31%（16.18 s）和38.36%（2.20 s）。表2 中的混淆矩陣表明，改進(jìn)型LeNet-5 網(wǎng)絡(luò)對(duì)表面劃痕、麻點(diǎn)和表面無(wú)缺3 種缺陷特征分類(lèi)的準(zhǔn)確率很高，其平均錯(cuò)誤率小于2%。分類(lèi)結(jié)果的錯(cuò)誤主要表現(xiàn)為邊緣崩壞與邊緣完整兩種特征的混淆，平均錯(cuò)誤率為5.5%。從圖5 的缺陷圖集中也可以看出，邊緣崩壞與邊緣完整的缺陷特征比較相似，當(dāng)邊緣崩壞面積較小時(shí)，容易發(fā)生錯(cuò)誤判斷。

表1 不同優(yōu)化方式的網(wǎng)絡(luò)性能對(duì)比

表2 改進(jìn)LeNet-5 缺陷識(shí)別率為96.72%時(shí)的網(wǎng)絡(luò)識(shí)別混淆矩陣

從圖6 可以看出，SqueezeNet 網(wǎng)絡(luò)可以快速收斂，在200 次迭代后，模型對(duì)光學(xué)元件缺陷圖集的識(shí)別率可以達(dá)到97.6%。而改進(jìn)后的LeNet-5 網(wǎng)絡(luò)收斂速度較慢，在500 次迭代后，獲得識(shí)別準(zhǔn)確率為96.72%，比SqueezeNet略低。但由于SqueezeNet的結(jié)構(gòu)遠(yuǎn)比改進(jìn)型LeNet-5 網(wǎng)絡(luò)復(fù)雜，其訓(xùn)練時(shí)間和測(cè)試時(shí)間分別后者的6.5（105.31 s）和3.7（7.44 s）倍。可見(jiàn)，與SqueezeNet網(wǎng)絡(luò)相比，我們采用改進(jìn)型LeNet-5 網(wǎng)絡(luò)進(jìn)行光學(xué)元件的缺陷識(shí)別，可以在保障相當(dāng)準(zhǔn)確率的前提下，大幅減少訓(xùn)練和識(shí)別的時(shí)間，并且只占用少量的內(nèi)存空間，更加適用于高速、實(shí)時(shí)檢測(cè)的工業(yè)生產(chǎn)檢測(cè)領(lǐng)域。

3 結(jié)語(yǔ)

本文通過(guò)搭建基于偏振成像和CNN 算法的檢測(cè)系統(tǒng)進(jìn)行平面光學(xué)元件的缺陷檢測(cè)。其中，基于DoFP偏振相機(jī)的暗場(chǎng)成像方式有效削弱光學(xué)元件的鏡面高光和表面雜散光，實(shí)現(xiàn)了光學(xué)元件的高信噪比缺陷成像。而改進(jìn)后的LeNet-5 卷積神經(jīng)網(wǎng)絡(luò)缺陷識(shí)別算法不需要進(jìn)行缺陷圖像預(yù)處理，網(wǎng)絡(luò)模型的訓(xùn)練不用人工進(jìn)行圖像特征選取。網(wǎng)絡(luò)訓(xùn)練后可以對(duì)包含邊緣崩壞、邊緣完整、表面劃痕、表面麻點(diǎn)和表面無(wú)缺的光學(xué)元件進(jìn)行缺陷識(shí)別，識(shí)別率達(dá)到了96.72%。在網(wǎng)絡(luò)內(nèi)存占用、網(wǎng)絡(luò)運(yùn)行時(shí)間和網(wǎng)絡(luò)識(shí)別率上與現(xiàn)流行的輕量級(jí)卷積神經(jīng)分類(lèi)網(wǎng)絡(luò)SqueezeNet 相比，改進(jìn)型LeNet-5 網(wǎng)絡(luò)具有更少的網(wǎng)絡(luò)參數(shù)（8.7%），更少的網(wǎng)絡(luò)計(jì)算量（30.0%）、更快的訓(xùn)練（15.4%）和測(cè)試速度（29.6%），而其識(shí)別準(zhǔn)確率與SqueezeNet 相當(dāng)（99.1%）。可見(jiàn)改進(jìn)后的LeNet-5 網(wǎng)絡(luò)算法相比輕量級(jí)網(wǎng)絡(luò)算法SqueezeNet 更適合在應(yīng)用在范圍廣、速度快、計(jì)算量小的高速工業(yè)生產(chǎn)中，該算法有望為光學(xué)元件的工業(yè)生產(chǎn)提供有力支持。