简单对文章的思路大概写一下，主要的对象就是检测手机屏表面的各种常见缺陷。主体就是network with merging and splitting strategies (MSDDN)+recurrent neural network (SCN)，MSDDN是作者构建的一种网络，用于提取原图像各个块的特征向量，将每个块的特征向量输入一个RNN网络判别图像是否有缺陷。因为文章简单，所以分以下几点说明一下。
1.文章的前两部分总结为几句话：手机表面质量对这个产品和行业影响很大，但是主要靠人工检测的方法有很多的问题，所以急需一些机器视觉系统。目前的检测方法主要是基于滤波器的边缘检测方法，比如sobel算子，Roberts算子，Canny等，也有一些学者感觉这些算子对小的缺陷类型检测的不好，提出使用图像重构的方法，比如：奇异值分解和傅里叶变换。然后一些研究者开始人为的去构建一些特征模块，来进行局部缺陷检测，比较常用的是Haar-like features （include four types, namely, edge features, linear features, center-around features, and diagonal features）。在众多特征中为了挑选一些好的特征，Adaboost 算法开始使用进行筛选。
2.作者通过观察，得知缺陷区域图像的尺寸大小对人类视觉系统影响很大（确实很大，不就是分辨率的问题嘛），作者开始进行实验，实验步骤如下：
- 将不同缺陷的图像块按一定系数放缩；
- 将放缩后的不同尺寸的图像输入AlexNet网络，看各个网络层的feature map激活情况。截图如下。
从上图可以看出，不同的放大尺寸观察的效果确实不一样。不知道作者是不是直接对图像进行放大的，具体的细节没看，其实图像的放大可以采用的方法很多。
上图可知，后三层的feature map激活的情况较好。
所以作者就想从不同的尺寸对图像进行特征抽取，这个思想怎么感觉像Google inception网络的 单元模块，和SSD等检测网络中的跳跃链接，将底层的特征和高层特征融合。不管了，作者给出了特征提取网络的核心模块，下图右边。
最后作者将一个原始图像分成多个模块进行特征提取，然后将提取的特征输入RNN网络进行判别，如下：
3.作者在实验中，使用了简单的数据扩充方法对样本进行扩充。不过对于显示屏检测这个领域有些缺陷很明显，有的缺陷真的是肉眼都难以分辨，通过微妙的色调变换，就构成了缺陷。看下图。
