最后，结合实际检测需求，完成单根粗端部硅碳棒的检测需要完成16张待检测图片的检测。对于单阶段检测器，完成一张图片的采集需要的时间大约20-30ms，但是对于两阶段检测器，完成单张图片检测需要100-200ms。同时随着单阶段检测检铡算法的不断发展进步，在检测精度上也逐渐追赶上了两阶段检测算法。本系统中选用单阶段目标检测算法YOLOvS网络作为主要提取网络。YOLOvS为但阶段目标检测算法具有快速性的优点，在满足实际检测要求的情况下，检测效率也更高。

模型评估指标

        因为在粗端部硅碳棒瑕疵检测的任务中涉及到分类问题，混淆矩阵作为分类问题的评估手段，下面以二分类问题为例，对棍淆矩阵概念进行说明。

        选用YOLOvS检测网络结构进行粗端部硅碳棒瑕疵特征提取，选用yolov5s与yolov5m两种检测模型进行模型训练。后对结果进行对比分析，以选用更适合于工业生产的模型。

算法网络结构

        YolovSs网络结构主要分为输入端、Backbone. Neck Prediction四个部分。其中模型输入端加入了Mosaic数据增强、自适应框计算计算功能。其中Mosaic数据增强在模型训练采用了四张图片随机缩放、随机裁剪、随机排布的方式进行拼接，具有丰富数据集，减少GPU计算量的优点自适应锚框机制通过对粗端部硅碳棒瑕疵数据所有标注狂进行统计分析，寻找最佳的锚框大小。

        在模型训练过程中，将粗端部硅碳棒瑕疵数据集中11592张图片数据按照9: I分为训练集、验证集。其中训练集10432张，验证集1160张。因为模型的评价不能完全体现出最终系统的检测效果，故不再创建测试集进行模型评估，系统检测效果评价指标在5.4节中进行进一步说明。训练集是模型的输入数据，目的是训练和优化模型各项参数，使得模型能够对未知数据进行准确地预测。验证集是用于评价模型性能的训练集，目的是评估模型的泛化能力，选择最佳模型超参数，以选择最优的预测模型。

        在进行模型训练时，将粗端部硅碳棒表面粗端部硅碳棒瑕疵类型按照表4-2进行命名。

        精确率是模型对于待检测目标预测对的一个指标，包括有存在粗端部硅碳棒瑕疵预测正确与不存在粗端部硅碳棒瑕疵预测正确两种情况。由图4-4可以看出，两个模型中对于粗端部硅碳棒的检测精确率接近于1，故认为在未知数据上对粗端部硅碳棒所在区域的检测效果极好，结果可作为进一步优化模型的依据。

        召回率反映出的是模型成功检测出未知图片数据中存在粗端部硅碳棒瑕疵的能力，也就是模型能够更好地避免将存在粗端部硅碳棒瑕疵准确检测出的能力。在实际工程应用中，会更多的考虑召回率，及对于产品质量的把控应尽可能严格.可以发现在同一置信度下，m模型召回率相较于s模型更高，体现出s模型在验证集中对于粗端部硅碳棒瑕疵的检测更为灵敏。因此volov5s更符合工业实际的检测需求。

        平均精确度(mAP)是衡量模型检测精度的综合性指标，数值具体表现为P-R曲线与轴所围成的面积。通过图4-6可以看出，两种模型对于粗端部硅碳棒的平均检测精度都在99.5%以上，所以两个模型对粗端部硅碳棒的检测都具有可靠性。

        为两种模型下各粗端部硅碳棒瑕疵的平均检测精度对比图，对于崩边、水印、未磨到、污渍和线痕类粗端部硅碳棒瑕疵检测效果较好，但是对于晶裂、凹坑类粗端部硅碳棒瑕疵检测精度较差，原因可能为这两类瑕摘特征相近，应考虑对数据集进行进一步优化。但是两种模型在检测精度上总体差距较小，但是在实际生产过程中，“崩边”类粗端部硅碳棒瑕疵居多，yolov5s模型对于“崩边”类粗端部硅碳棒瑕疵检测效果较好。

        yolov5m模型于yolov5s在粗端部硅碳棒、水印、未磨到、污渍、线痕粗端部硅碳棒瑕疵表现较好。但是yolov5m模型在凹坑、亮点粗端部硅碳棒瑕疵类型上较s模型更优。http://www.guitanbang.net.cn/

• 硅碳棒安装时注意事项
• 等直径硅碳棒型产品规格及参数表
• 硅碳棒型号和规格的选择
• 碳化硅制品核心应用领域
• 硅碳棒为何易断裂
• 硅碳棒在玻璃行业中的使用常识
• 碳化硅保护管生产工艺产品特性及主要用途
• 正确使用硅碳棒经验方法
• 硅碳棒保护管的特色
• 硅碳棒元件的联结方式可串可并
• 硅碳棒的分类及应用介绍
• 硅钼棒表面负荷及升温电压调整