1.基于AYOLOv3‑Tiny新框架的PAD导光板缺陷可视化检测方法，其特征在于：

在手机导光板生产线末端，采用高分辨率线扫相机采集获得导光板图像，然后截取成一组分辨率为416×416的小图像，输入上位机中的具有在线生成能力的PAD导光板缺陷检测模型，输出获得带有缺陷标记及置信度的导光板图像，将结果输出并存储在上位机中；

所述PAD导光板缺陷检测模型基于YOLOv3‑Tiny网络构建，包括主干网络层和检测层，主干网络层包括7层网络结构，依次为：第1层为卷积层、第2、3层均为最大池化层+OSM模块、第4‑7层均为最大池化层+卷积层，第5层输出的26×26特征图和第7层输出的13×13特征图作为检测层的输入；检测层包括第8层的卷积层、第一预测通道和第二预测通道，主干网络层输出的13×13特征图经过第8层后分别进入第一预测通道和第二预测通道，第一预测通道依次包括第9‑11层，13×13特征图依次通过第9层的DCM模块、第10层的卷积层和第11层的第一预测头层；第二预测通道依次包括第12‑16层，第12层卷积层输出的13×13特征图与第五层输出的26×26特征图在第13层的上采样层进行concatenate连接后输出26×26的特征图，再依次通过第15层的卷积层和第16层的第二预测头层；最终输出具有缺陷标记和置信度的导光板图像；

所述OSM模块：

包括一个大小为2、步长为1的重叠池化层、一个3*3的卷积模块和一个空间注意力模块，将重叠池化后的特征图经过空间注意力模块，并与卷积模块输出进行element‑wise乘法，空间注意力模块连接重叠池化层的输出和卷积模块的输出；

OSM模块的计算过程如下：

其中，F为重叠池化后的特征图， P为OSM模块的输入， 表示对P进行大小

为2，步长为1的重叠池化，B为批归一化，L为LeakyRelu激活函数， 表示element‑wise乘法，M(F)为空间注意力；

3′3

其中， 和 表示在通道维度上进行平均池化和最大池化，f 表示3×3的卷积；σ表示sigmoid激活函数；

OSM模块的输出为：

其中，F为重叠池化后的特征图即卷积层(conv layer)的输入，B为批归一化(Batch Normalization)，L为LeakyRelu激活函数， 表示element‑wise乘法；

OSM模块可以将浅层语义特征向后传播，更加有利于网络对缺陷特征的提取，提高了检测的准确率；

所述DCM模块：

包括一个膨胀率为2的膨胀卷积和一个1*1的卷积层，并且通过shortcut直接连接DCM模块的输入和输出，膨胀卷积后执行批归一化操作和激活函数；

所述主干网络层中第7层最大池化层大小为2，步长为1，其余最大池化层大小和步长均为2；所述主干网络层和检测层中的卷积层均包含一次卷积操作、批归一化BN以及激活函数；

所述具有在线生成能力的PAD导光板缺陷检测模型的获取过程为：

1)、采集在线生产的1300幅导光板图像，然后截取了2104幅包含点、线、面三类缺陷的小图像，每幅小图像分辨率为416×416，对每个小图像进行数据增强的处理，包括对原图像进行50％概率的镜像，以及对亮度进行120％～150％的增强，获得包含缺陷的图像共计

3680幅；然后针对数据增强后的图像中的每个缺陷类型，按照6：2：2的比例将预处理后的图像划分训练集、验证集及测试集；

2)、第一预测头层选取(62，35)、(138，111)、(414，205)三组先验框；第二预测头层选取(31，28)、(35，35)、(47，58)三组先验框；建立损失函数如下：Loss＝ωboxLbox+ωobjLobj+ωclsLcls

其中，ωbox、ωobj和ωcls分别选取3.54、64.3和37.4，Lbox为坐标预测误差，Lobj为置信度误差，Lcls为分类误差；

3)、训练总轮数为200，训练中的batch size取8；优化器采用SGD优化器，初始学习率和最终学习率为0.01和0.0001，学习率更新策略采用lamda函数λ(x)；动量为0.9，权重衰减为

0.0005，非极大抑制NMS方法采用merge法，数据增强采用Mosaic方法，

将训练集输入PAD导光板缺陷检测模型，在每轮训练结束时，使用验证集对当前轮次的PAD导光板缺陷检测模型进行检测，以mAP作为当前模型的检测精度，共计训练200轮，取精度最高的模型作为具有在线生成能力的PAD导光板缺陷检测模型。

2.根据权利要求1所述的基于AYOLOv3‑Tiny新框架的PAD导光板缺陷可视化检测方法，其特征在于，所述坐标预测误差Lbox为：2

其中，S 指网格的数量(S×S)，B指每个网格的边界框数量； 指在第i个网格的第j个边界框内是否有目标，若有，则为1，否则为0；GIoU被用来衡量坐标误差的大小：其中，Ac指同时包含预测和真实边界框的最小区域面积，U指预测和真实边界框的相交区域面积，IoU指预测和真实边界框的交并比；

所述置信度误差Lobj为：

其中，λnoobj指当没有目标时的惩罚系数，λnoobj＝0.5；Ci指第i个网格的真实框的置信度； 指第i个网格的预测框的置信度； 指在第i个网格的第j个边界框内是否有目标，若没有，则为1，否则为0；

所述分类误差Lcls为：

其中，pi(c)指在第i个网格的真实框内包含c类缺陷的条件概率， 指在第i个网格的预测框内包含c类缺陷的条件概率，置信度误差和分类误差均采用二类交叉熵损失函数定义如下：

3.根据权利要求1或2所述的基于AYOLOv3‑Tiny新框架的PAD导光板缺陷可视化检测方法，其特征在于，建立PAD导光板缺陷检测模型

PAD导光板缺陷检测模型(AYOLOv3‑Tiny)包括主干网络层和检测层，主干网络层包括7层网络结构，依次为：第一层为卷积层(Convolutional)、第二层和第三层均为最大池化层(Maxpool)+OSM模块、第四、五、六和七层均为最大池化层(Maxpool)+卷积层(Convolutional)；主干网络层的输入为416*416的图像，第五层输出的26×26特征图和第七层输出的13×13特征图作为主干网络层的两种不同尺度的特征图的输出，并作为检测层的输入，主干网络层中第七层最大池化层(Maxpool)大小为2，步长为1，其余最大池化层(Maxpool)大小和步长均为2；

检测层包括第八层至第十六层并分为第一预测通道和第二预测通道，主干网络层的第七层输出的13×13特征图经过第八层卷积层(Convolutional)后分别进入第一预测通道和第二预测通道，第一预测通道依次包括第九层DCM模块、第十层卷积层(Convolutional)和第十一层第一预测头层(Pred_head1)，第二预测通道依次包括第十二层卷积层(Convolutional)、第十三层上采样层(Upsampling)、第十四层route层、第十五层卷积层(Convolutional)和第十六层第二预测头层(Pred_head2)；检测模型中的主干网络层和检测层中的卷积层(Convolutional)均包含一次卷积操作、批归一化BN以及激活函数；

在检测层的第二预测通道中，通过第十二层卷积层输出的13×13特征图与主干网络层中的第五层输出的26×26特征图在第十三层上采样层进行concatenate连接，然后输出26×26的特征图，再通过第十五层卷积层(Convolutional)进入第十六层第二预测头层(Pred_head2)；而在检测层的第一预测通道中，13×13特征图通过第九层DCM模块，然后通过第十层卷积层(Convolutional)进入第十一层第一预测头层(Pred_head1)，两个预测头分别在两个尺度上预测缺陷的位置以及类别，第一预测头层(Pred_head1)主要预测大目标，所述大目标为面缺陷以及比较长的线缺陷，第二预测头层(Pred_head2)主要预测小目标，所述小目标为点缺陷以及较细较短的线缺陷；最终PAD导光板缺陷检测模型(AYOLOv3‑Tiny)输出标记好缺陷的导光板图像，图像上包含了缺陷的类别以及位置信息，其中类别附有置信度，位置信息由一个矩形边框将缺陷的位置标记出来。