基于GPU的金属工件表面缺陷检测算法的研究

合集下载

一种基于深度学习网络的钢轨表面缺陷检测方法[发明专利]

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号 (43)申请公布日 (21)申请号 201810885506.3(22)申请日 2018.08.06(71)申请人长沙理工大学地址 410114 湖南省长沙市雨花区长沙理工大学(72)发明人张辉　宋雅男　刘理　钟杭　梁志聪　(74)专利代理机构深圳市兴科达知识产权代理有限公司 44260代理人王翀　贾庆(51)Int.Cl.G06T 7/00(2017.01)G06T 7/12(2017.01)G06T 7/181(2017.01)G01N 21/88(2006.01)(54)发明名称一种基于深度学习网络的钢轨表面缺陷检测方法(57)摘要本发明属于深度学习领域，提供了一种基于深度学习网络的钢轨表面缺陷检测方法，目的在于解决现有钢轨检测方法存在的各种问题。

该深度学习方法首先将输入的钢轨图像自动重置为416*416，接着进行图像提取和处理输出。

图像提取主要由Darknet -53模型完成。

处理输出主要由类FPN网络模型完成。

图像提取首先将钢轨图像划分单元格，根据缺陷在单元格的位置，通过维度聚类的方法计算缺陷的宽高，中心点的坐标，将坐标归一化处理。

同时使用逻辑回归来预测边界框对象分数，使用二元交叉熵损失来预测边界框包含的类别，计算置信度，然后经过处理输出中的卷积，上采样，网络特征融合得到预测结果。

本发明可以准确的识别缺陷，有效提高钢轨表面缺陷检测识别率。

权利要求书1页说明书6页附图3页CN 109064461 A 2018.12.21C N 109064461A1.一种基于深度学习网络的钢轨表面缺陷检测方法，其特征在于，包括如下步骤：步骤一：收集钢轨图像，其中一部分钢轨图像手动标注钢轨缺陷位置，制作钢轨缺陷训练集，另一部分未标注钢轨缺陷位置的钢轨图像作为测试样本集。

步骤二：训练深度学习神经网络模型；步骤三：将钢轨缺陷训练集输入到深度学习神经网络模型中，网络进行梯度更新，深度学习神经网络模型不断学习钢轨缺陷的特征；步骤四：当深度学习神经网络模型的loss训练到0.1±0.09且达到收敛时，训练过程结束，对钢轨缺陷训练集和测试样本集的样本进行检测，输出测试样本集的测试准确率；步骤五：对钢轨缺陷训练集和测试样本集的准确率进行比较；若准确率低于期望值，则更改深度学习神经网络模型的参数，重复步骤一到四，直到测试的准确率达到期望值或高于期望值。

论文：GPU金属工件表面缺陷检测算法

第32卷第3期计算机应用与软件Vol.32No．32015年3月Computer Applications and Software Mar．2015基于GPU 的金属工件表面缺陷检测算法的研究蒋财运1，2刘羽1，2韦树烽1，31（桂林理工大学广西矿冶与环境科学实验中心广西桂林541004）2（桂林理工大学机械与控制工程学院广西桂林541004）3（桂林理工大学信息科学与工程学院广西桂林541004）收稿日期：2013－09－05。

广西教育厅科研项目（教育201102ZD018）；2012年研究生教育创新计划项目（YCSZ2012085）。

蒋财运，硕士生，主研领域：数字图像处理。

刘羽，教授。

韦树烽，硕士生。

摘要在金属工件的生产过程中，不可避免地会生产出一些不良品，必须进行快速识别。

缺陷检测系统需使用图像采集设备采集金属工件的表面图像，完成混合噪声滤除等预处理后，进行图像配准并使用差影法分割图像，然后标记缺陷和提取缺陷纹理特征，最后进行工件缺陷的分类和识别。

为了提高金属工件表面检测系统的检测速度，以满足高速生产流水线对检测系统的高实时性要求，依托GPU 平台设计了一套合理的并行算法来完成不合格工件的自动检出工作。

实验结果表明，在满足检测精度的前提下，基于GPU 的并行图像处理算法相对于串行算法能取得较好的加速效果（实验环境为3．2 10．3倍加速比），为工件表面缺陷的快速检测提供了一种新的途径。

关键词缺陷检测数字图像处理并行计算中图分类号TP391．4TH161+．14文献标识码ADOI ：10．3969/j．issn．1000-386x．2015．03．064ＲESEAＲCH ON METAL WOＲKPIECE SUＲFACE DEFECTSDETECTION ALGOＲITHM BASED ON GPUJiang Caiyun 1，2Liu Yu 1，2Wei Shufeng 1，31（Guangxi Scientific Experiment Center of Mining ，Metallurgy and Environment ，Guilin University of Technology ，Guilin 541004，Guangxi ，China ）2（College of Mechanical and Control Engineering ，Guilin University of Technology ，Guilin 541004，Guangxi ，China ）3（College of Information Science and Engineering ，Guilin University of Technology ，Guilin 541004，Guangxi ，China ）Abstract It will inevitably produce a number of defective goods in the process of metal workpiece production ，and they have to be rapidlyrecognised．The defect detection system need to use image acquisition device to capture the surface images of metal workpiece first ，after the pre-treatment of mixed noises filtration is done ，the image registration is carried out and the difference image method is employed to segment the image ；then the defects are marked ，and the texture features of the defect are extracted ；finally the classification and recognition of work-piece defects are processed．In order to improve the detection rate of metal surface detection system so as to meet the high real-time require-ment of high speed production line on detection system ，we design a set of reasonable parallel algorithms based on GPU platform to do the au-tomatic detection work for unqualified workpieces．Experimental results show that on the premises of satisfying the detection precision ，the GPU-based parallel image processing algorithm achieves better speedup effect relative to the serial algorithm （3．2 10．3times in our experi-mental environment ），which provides a new approach for fast detection of workpiece surface defects．KeywordsDefect detectionDigital image processingParallel computing0引言金属工件表面的质量是保证其工程价值和商业价值的重要因素。

基于机器视觉的钢轨表面缺陷检测算法研究

基于机器视觉的钢轨表面缺陷检测算法研究近年来，随着工业自动化技术的不断进步，机器视觉在工业领域的应用越来越广泛。

钢轨是铁路运输系统中非常重要的组成部分，因此钢轨表面的缺陷检测对保证铁路运输安全具有重要意义。

本文将基于机器视觉技术，研究钢轨表面缺陷检测算法。

钢轨表面缺陷的种类繁多，包括裂纹、疲劳、焊缝问题等。

为了准确地检测这些缺陷，我们需要借助计算机视觉技术，将图像信息转化为数字信号进行分析处理。

下面，我们将介绍一种基于机器视觉的钢轨表面缺陷检测算法的研究。

首先，为了获取钢轨表面的图像信息，我们可以利用数字相机对钢轨进行拍摄。

在拍摄过程中，我们应该注意光照的均匀性，以避免光照不均匀引起的误差。

获取到图像后，我们需要对其进行预处理，包括图像去噪、图像增强等操作，以提高后续算法的性能。

钢轨表面缺陷检测算法的核心在于特征提取。

我们可以利用图像处理的技术，提取钢轨表面图像的各种特征，如颜色、纹理、形状等。

这些特征往往与不同类型的缺陷有着一定的关联性。

例如，裂纹往往呈现出明显的线状形状，而疲劳往往呈现出局部的颜色异常。

基于这些特征，我们可以设计相应的算法来进行缺陷检测。

在特征提取之后，我们需要对提取到的特征进行分类和识别处理。

这一步骤通常采用机器学习的方法，如支持向量机、神经网络等。

通过训练一定数量的带有标签的图像样本，机器学习模型可以学习到不同类型缺陷的特征，从而能够准确地识别出钢轨表面的缺陷。

此外，为了进一步提高算法的性能，我们可以使用深度学习技术，如卷积神经网络（CNN）等，进行特征的自动学习，从而减少人工特征设计的工作量。

对于钢轨表面缺陷检测算法的性能评估，我们可以采用一些常用的指标，如准确率、召回率、精确率等。

另外，针对不同类型的缺陷，我们还可以评估算法的误检率和漏检率，以衡量算法对不同类型缺陷的检测能力。

同时，为了验证算法在实际场景中的应用性能，我们还可以采集一些真实环境下的数据样本进行测试。

然而，在实际应用过程中，还需要考虑算法的实时性和鲁棒性。

基于OpenCV的金属表面缺陷检测研究

基于OpenCV的金属表面缺陷检测研究第一章绪论随着工业化的发展，金属制品在人类生产和生活中的应用越来越广泛，因此金属表面缺陷的检测变得越来越重要。

金属表面的缺陷可能会导致零件失效、降低产品质量和安全性，因此在制造过程中必须进行严格的质量控制。

深度学习和计算机视觉技术的发展使得对于金属表面缺陷的检测变得更加简单和高效。

OpenCV 作为计算机视觉和图像处理最流行的库之一，已经被广泛应用于许多领域，在金属表面缺陷检测方面也有很大的潜力。

第二章金属表面缺陷检测的传统方法传统的金属表面缺陷检测方法基于人工视觉和经验，这种方法耗时且易出错，而且难以确定缺陷的位置和形状。

为了解决这些问题，研究人员使用计算机辅助检测的新方法，这些方法首先对图像进行预处理，然后提取出图像特征，进行缺陷检测。

3.1 预处理预处理步骤中，主要是删除图像中的噪声，提高图像的质量，以便后续处理。

常用的预处理方法包括滤波器和边缘检测。

滤波器可以平滑和降低图像的噪声，例如高斯滤波器。

边缘检测可以识别出图像中明显不同的图案。

3.2 特征提取在特征提取阶段，算法需要确定哪些特征能够代表缺陷。

特征提取方法包括颜色空间转换、图像二值化、形态学操作和轮廓描述符等。

3.3 基于传统方法的缺陷检测在特征提取之后，一些机器学习算法（如支持向量机）和分类器（如k均值聚类）被应用于通过高维特征区分缺陷和非缺陷区域。

但是这些方法通常需要大量的手工特征提取和调整，因此存在高偏差，低鲁棒性和低准确性的风险。

第三章基于OpenCV的金属表面缺陷检测方法随着新一代计算机视觉和深度学习模型的发展，通常不再需要手工特征提取，反过来却可以实现更稳健的和更高效的金属表面缺陷检测方法。

OpenCV库在处理图像上有着很强的优势，由此可以在OpenCV库中应用计算机视觉技术和深度学习算法来进行金属表面缺陷检测。

4.1 预处理OpenCV库中有大量滤波器和边缘检测算法，能够真正的提高图像的质量和促进后续处理任务。

基于深度学习的金属表面缺陷识别方法

基于深度学习的金属表面缺陷识别方法
盛承光
【期刊名称】《电脑与信息技术》
【年(卷),期】2024(32)2
【摘要】针对金属产品表面缺陷识别过程中,缺陷类型多样、大小形态各异等问题,提出了一种基于多尺度残差卷积网络的深度学习模型。

该网络以ResNet50作为特征编码器提取具有不同分辨率的特征图以捕获多尺度特征信息,从而提高其识别不同尺寸缺陷的能力;同时采用多层感知机(Multi-Layer Perceptron,MLP)进行多尺度特征的自适应融合,将浅层卷积获取的图像纹理和边界等特征和深度卷积提取的复杂语义特征信息进行信息交互和特征细化,以提升网络模型识别性能。

实验结果表明,文章所提出算法在NEU-DET数据集上准确率达到了98.06%,相比其他模型具有更高的识别精度。

【总页数】3页(P4-5)
【作者】盛承光
【作者单位】深圳信息职业技术学院应用外语学院
【正文语种】中文
【中图分类】TP18;TP391.41
【相关文献】
1.基于深度学习特征和非线性支持向量机的板材表面缺陷识别方法
2.基于深度学习的金属机械零件表面缺陷检测方法
3.基于剪切波和小波特征融合的金属表面缺陷识别方法
4.基于深度学习的金属材料表面缺陷检测综述
因版权原因，仅展示原文概要，查看原文内容请购买。

基于机器视觉的表面缺陷检测系统的算法研究及软件设计

基于机器视觉的表面缺陷检测系统的算法研究及软件设计一、本文概述随着工业制造技术的飞速发展，产品质量与生产效率日益成为企业竞争力的核心要素。

表面缺陷检测作为产品质量控制的重要环节，其准确性和效率直接影响到产品的整体质量和企业的生产效益。

传统的表面缺陷检测方法往往依赖于人工目视检测，这种方法不仅效率低下，而且容易受到人为因素的影响，导致漏检和误检的情况时有发生。

因此，开发一种基于机器视觉的表面缺陷检测系统，实现对产品表面缺陷的快速、准确检测，已成为当前研究的热点和难点。

本文旨在研究基于机器视觉的表面缺陷检测系统的算法，并设计相应的软件系统。

通过对图像采集、预处理、特征提取、缺陷识别与分类等关键算法进行深入研究，构建一套高效、稳定的表面缺陷检测系统。

本文还将探讨如何结合机器学习、深度学习等先进算法，提高系统的自适应能力和检测精度。

本文还将关注软件系统的架构设计、界面设计、用户交互等方面的内容，确保系统的易用性和可维护性。

通过本文的研究，旨在为表面缺陷检测领域的实际应用提供理论支持和技术指导，推动机器视觉技术在工业制造领域的广泛应用，为企业提高产品质量和生产效率提供有力保障。

二、机器视觉技术基础机器视觉是一门涉及、图像处理、模式识别、计算机视觉等多个领域的交叉学科。

它利用计算机和相关设备模拟人类的视觉功能，实现对目标对象的识别、跟踪和测量，进而完成相应的自动化处理任务。

在表面缺陷检测领域，机器视觉技术发挥着至关重要的作用。

机器视觉系统主要由图像采集、图像处理、特征提取和缺陷识别等模块组成。

图像采集模块负责获取待检测物体表面的图像信息，其性能直接影响到后续处理的准确性和效率。

图像处理模块则是对采集到的图像进行预处理，如去噪、增强、滤波等操作，以提高图像质量，为后续的特征提取和缺陷识别提供有利条件。

特征提取是机器视觉系统中的关键环节，它通过对处理后的图像进行特征分析和提取，将关键信息从海量数据中筛选出来。

在表面缺陷检测中，特征提取的主要任务是提取出缺陷区域的形状、大小、颜色、纹理等关键特征，为后续的缺陷识别提供有效依据。

基于 yolov5 的钢材表面缺陷检测实验总结与体会

基于YOLOv5 的钢材表面缺陷检测实验总结与体会：
随着工业自动化的快速发展，钢材表面缺陷检测在许多领域中都变得至关重要。

为了实现高效、准确的检测，采用深度学习技术成为了一个趋势。

在此背景下，我参与了一个基于YOLOv5 的钢材表面缺陷检测实验。

通过这次实验，我深入了解了YOLOv5 算法在缺陷检测方面的应用，并获得了宝贵的实践经验。

实验中，我们首先收集了大量钢材表面图像，并标注了不同类型的缺陷。

然后，我们使用这些数据集对YOLOv5 模型进行训练，使其能够识别不同类型的缺陷。

在训练过程中，我们采用了适当的优化策略，如早停、权重剪枝等，以防止过拟合和提高模型的泛化能力。

在模型训练完成后，我们进行了测试实验。

通过与基准线方法的比较，我们发现YOLOv5 在钢材表面缺陷检测方面具有较高的准确率和鲁棒性。

具体而言，YOLOv5 可以快速准确地识别出钢材表面的裂纹、锈蚀、划痕等缺陷，为后续的质量控制和修复工作提供了有力支持。

然而，实验过程中也遇到了一些挑战。

例如，数据标注工作量较大，需要耗费大量时间和人力。

此外，模型训练过程中需要调整的参数较多，如学习率、批量大小等，这需要一定的经验和技巧。

为了解决这些问题，我们可以采用半自动化标注工具和自动化调参方法，以提高效率和准确性。

通过这次实验，我深刻体会到了深度学习在图像识别领域的强大潜力。

同时，我也认识到了理论与实践相结合的重要性。

在未来的工作中，我将继续关注深度学习技术的发展动态，并尝试将其应用于其他相关领域。

基于机器学习的工件表面缺陷检测技术研究

基于机器学习的工件表面缺陷检测技术研究机器学习是当今科技领域广泛使用的一种技术，其应用范围包括人工智能、自然语言处理、计算机视觉等众多领域。

在工业生产领域，机器学习也扮演着重要的角色，特别是在工件表面缺陷检测方面，机器学习可以帮助工厂快速准确地识别出工件表面的各种缺陷，提高工艺效率和质量。

一、机器学习在工件表面缺陷检测中的应用机器学习在工件表面缺陷检测中有许多方面的应用，其中最常见的就是基于图像识别的应用。

将机器学习应用于图像识别，可以通过大量的样本数据来训练模型，从而在实际应用过程中进行图像识别，进而实现工件表面的缺陷检测。

具体实现方法可以分为两个步骤：样本采集和模型训练。

样本采集需要收集大量工件表面的图像，并对这些图像进行标注。

标注的工作包括对每个图像进行分类，确定图像中缺陷的种类并作出标记。

在标注工作完成后，可以使用深度学习框架构建模型，并将标注好的图像作为训练数据输入到模型中。

在训练过程中，模型会根据输入的图像进行参数调整，逐渐提高对工件表面缺陷的识别准确率。

等模型训练完成后，就可以将其应用于实际场景中，实现自动化缺陷检测。

二、机器学习在工件表面缺陷检测中的优势相比于传统的缺陷检测方法，机器学习具有以下优势：1. 自动化程度高。

机器学习可以在没有人为干预的情况下完成图像的识别和分类，实现真正的自动化检测。

2. 检测准确率高。

机器学习通过大量的样本数据进行训练，能够较为准确地识别出工件表面的各种缺陷，并提高缺陷检测的准确率。

3. 速度快。

机器学习可以在短时间内完成大量的图像识别和分类工作，大大提高了工艺生产的效率。

三、机器学习在工件表面缺陷检测中存在的挑战和解决方案虽然机器学习在工件表面缺陷检测中有着较大的优势，但仍然存在一些挑战：1. 样本数据量不足。

由于工艺生产中缺陷检测数据的获取难度较大，往往样本数据难以充足，直接影响模型的训练效果。

2. 图像质量不高。

由于图像采集环境的复杂性和光线的不均匀性等因素，采集到的图像质量不尽如人意，这样就会影响后续模型的训练和应用效果。

1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。

ＲＥＳＥＡＲＣＨｏＮＭＥＴＡＬＷｏＲＫＰＩＥＣＥＳＵＲＦＡＣＥＤＥＦＥＣＴＳＤＥＴＥＣＴＩｏＮＡＬＧｏＩＵＴＨＭＢＡＳＥＤｏＮＧＰＵ
ＪｉａｎｇＣａｉｙｕｎＬ，ｉｕＹｕ，ＷｅｉＳｈｕ￣ｎｇ＇。
提供了一种新的途陷检测数字图像处理并行计算
ＴＦ３９１．４ＴＨ１６１＋．１４文献标识码ＡＤＯＩ：１０．３９６９／ｊ．ｉｓｓｎ．１０００ — ３８６ｘ．２０１５．０３．０６４
ＡｂｓｔｒａｃｔＩｔｗｉｌｌｉｎｅｖｉｔａｂｌｙｐｒｏｄｕｃｅａｎｕｍｂｅｒｏｆｄｅｆｅｃｔｉｖｅｇｏｏｄｓｉｎｔｈｅｐｒｏｃｅｓｓｏｆｍｅｔａｌｗｏｒｋｐｉｅｃｅｐｒｏｄｕｃｔｉｏｎ，ａｎｄｔｈｅｙｈａｖｅｔｏｂｅｒａｐｉｄｌｙ
集金属工件的表面图像，完成混合噪声滤除等预处理后，进行图像配准并使用差影法分割图像，然后标记缺陷和提取缺陷纹理特征，最后进行工件缺陷的分类和识别。为了提高金属工件表面检测系统的检测速度，以满足高速生产流水线对检测系统的高实时性要
求，依托ＧＰＵ平台设计了一套合理的并行算法来完成不合格工件的自动检出工作。实验结果表明，在满足检测精度的前提下，基于ＧＰＵ的并行图像处理算法相对于串行算法能取得较好的加速效果（实验环境为３．２—１０．３倍加速比），为工件表面缺陷的快速检测
’（ＣｏｌｌｅｇｅｏｆＩｎｆｏｒｍａｔｉｏｎＳｃｉｅｎｃｅａｎｄＥｎｇｉｅｅｎｒｉｎｇ，ＧｕｉｌｉｎＵｎｉｖｅｒｓｉｔｙｆＴｏｅｃｈｏｌｎｏｇｙ，Ｇｕｉｌｉｎ５４１００４，Ｇｕａｎｇｘｉ，Ｃｈｉｎａ）
第３２卷第３期
２０１５年３月
计算机应用与软件
ＣｏｍｐｕｔｅｒＡｐｐｌｉｃａｔｉｏｎｓａｎｄＳｏｆｔｗａｒｅ
Ｖ０１．３２Ｎｏ．３Ｍａｒ．２０１５
基于ＧＰＵ的金属工件表面缺陷检测算法的研究
蒋财运刘羽韦树烽。
广西桂林５４１００４）广西桂林５４１００４）（桂林理工大学广西矿冶与环境科学实验中心（桂林理工大学机械与控制工程学院
（桂林理工大学信息科学与工程学院
广西桂林５４１００４）
摘要
在金属工件的生产过程中，不可避免地会生产出一些不良品，必须进行快速识别。缺陷检测系统需使用图像采集设备采
（ＧｕａｎｇｘｉＳｃｉｅｎｔｉｉｆｃＥｘｐｅｒｉｍｅｎｔＣｅｎｔｅｒｏｆＭｉｎｉｎｇ，ＭｅｔａｌｌｕｒｇｙａｎｄＥｎｖｉｒｏｎｍｅｎｔ，ＧｕｉｌｉｎＵｎｉｖｅｒｓｉｔｙｏｆＴｅｃｈｎｏｌｏｇｙ，Ｇｕｉｌｉｎ５４１００４，Ｇｕａｎｇｘｉ，Ｃｈｉｎａ）（ＣｏｌｌｅｇｅｏｆＭｅｃｈａｎｉｃａｌａｎｄＣｏｎｔｒｏｌＥｎｇｉｎｅｅｉｒｎｇ，ＧｕｉｌｉｎＵｎｉｖｅｒｓｉｔｙｏｆＴｅｃｈｎｏｌｏｇｙ，Ｇｕｉｌｉｎ５４１００４，Ｇａｎｎｇｘｉ，Ｃｈｉｎａ）
ｒｅｃｏｇｎｉｓｅｄ．Ｔｈｅｄｅｆｅｃｔｄｅｔｅｃｔｉｏｎｓｙｓｔｅｍｎｅｅｄｔｏｕｓｅｉｍａｇｅａｃｑｕｉｓｉｔｉｏｎｄｅｖｉｃｅｔｏｃａｐｔｕｒｅｔｈｅｓｕｒｆａｃｅｉｍａｇｅｓｏｆｍｅｔｌａｗｏｒｋｐｉｅｃｅｉｆｒｓｔ，ａｆｔｅｒｔｈｅｐｒｅ — ｔｒｅａｔｍｅｎｔｏｆｍｉｘｅｄｎｏｉｓｅｓｉｆｌｔｒａｔｉｏｎｉｓｄｏｎｅ，ｔｈｅｉｍａｇｅｒｅｇｉｓｔｒａｔｉｏｎｉｓｃａｒｒｉｅｄｏｕｔａｎｄｔｈｅｄｉｆｆｅｒｅｎｃｅｉｍａｇｅｍｅｔｈｏｄｉｓｅｍｐｌｏｙｅｄｔｏｓｅｇｍｅｎｔｈｅｔｉｍａｇｅ；ｔｈｅｎｈｅｔｄｅｆｅｃｔｓａｒｅｍａｒｋｅｄ，ａｎｄｔｈｅｔｅｘｔｕｒｅｆｅａｔｕｒｅｓｏｆｔｈｅｄｅｆｅｃｔａｒｅｅｘｔｒａｃｔｅｄ；ｉｆｎａｌｌｙｔｈｅｃｌａｓｓｉｆｉｃａｔｉｏｎａｎｄｒｅｃｏｇｎｉｔｉｏｎｏｆｗｏｒｋ－ｐｉｅｃｅｄｅｆｅｃｔｓａｒｅｐｒｏｃｅｓｓｅｄ．ＩｎｏｒｄｅｒｔｏｉｍｐｒｏｖｅｔｈｅｄｅｔｅｃｔｉｏｎｒａｔｅｏｆｍｅｔｌａｓｕｒｆａｃｅｄｅｔｅｃｔｉｏｎｓｙｓｔｅｍＳＯａｓｔｏｍｅｅｔｔｈｅｈｉｇｈｒｅａｌ — ｔｉｍｅｒｅｑｕｉｒｅ —