機器視覺表面缺陷檢測介紹

2022-07-30 11:21:09 精質(zhì)視覺

　　機器視覺表面缺陷檢測在工業(yè)生產(chǎn)中扮演著重要的角色。傳統(tǒng)都是直接人工肉眼鑒別是否存在表面缺陷，不僅耗費人力且不能準(zhǔn)確識別缺陷。

機器視覺表面缺陷檢測介紹

　　機器視覺可以替代人眼進(jìn)行檢測，但在實際應(yīng)用中仍面臨很多挑戰(zhàn)，尤其是近幾年的傳統(tǒng)圖像算法解決方案基于經(jīng)驗手工設(shè)計，算法存在精度較低且不夠魯棒的問題，特別是在諸如打光、形變、失真和遮擋等復(fù)雜的場景中?，F(xiàn)今深度學(xué)習(xí)在特征提取方面有著亮眼的表現(xiàn)，在諸多有監(jiān)督的任務(wù)上都取得了優(yōu)質(zhì)的表現(xiàn)，例如分類、目標(biāo)檢測和圖像分割。

　　同時，近年來也涌現(xiàn)了不少用卷積神經(jīng)網(wǎng)絡(luò)來進(jìn)行缺陷檢測的方案，其中最常見的是直接利用目標(biāo)檢測網(wǎng)絡(luò)如Faster RCNN或者SSD對缺陷進(jìn)行定位和分類。也有先用目標(biāo)檢測進(jìn)行粗定位，然后用FCN進(jìn)行語義分割得到精確定位的方法，這種方法可以得到缺陷的精準(zhǔn)輪廓，但是這些方法都屬于有監(jiān)督的學(xué)習(xí)，在實際的工業(yè)應(yīng)用中存在以下問題：

　　缺少缺陷樣本：在實際應(yīng)用中，用于訓(xùn)練的缺陷樣本往往是非常稀少且難以獲取的。因此在訓(xùn)練過程中正負(fù)樣本是非常不均衡的，這極大的限制了模型的性能，甚至導(dǎo)致模型完全不可用。在缺陷外觀多變的場景下，有監(jiān)督學(xué)習(xí)的方法往往無法滿足正常的生產(chǎn)需求。

　　人工標(biāo)注成本高昂：實際的工業(yè)缺陷檢測場景中，通常存在許多不同種類的缺陷，檢測的標(biāo)準(zhǔn)和質(zhì)量指標(biāo)往往也不同。這就需要人為標(biāo)注大量的訓(xùn)練數(shù)據(jù)來滿足特定需求，這需要付出大量的人力資源。