点击上方“小白学视觉”，选择加"星标"或“置顶”

重磅干货，第一时间送达

前言

缺陷检测是工业中一个非常重要的应用。由于缺陷种类繁多，传统的机器视觉算法难以完全建模和迁移缺陷特征，重用性小，需要区分工作条件，这将浪费大量的劳动力成本。深度学习在特征提取和定位方面取得了很好的效果。越来越多的学者和工程师开始将深度学习算法引入缺陷检测领域。以下将介绍几种深度学习算法在缺陷检测领域的应用。

1、A fast and robust convolutional neural network-based defect detection model in product quality control

对象：布料缺陷。

主要思想：这是一篇较早的文章，主要通过切片输入图像，然后将切片图像发送到深度学习网络进行判断，相对简单。推理时，通过滑窗检测逐位识别。

优缺点：

• 由于分类的使用，准确率相对较高

• 因为滑窗遍历，速度慢

2、Automatic Defect Detection of Fasteners on the Catenary Support Device Using Deep Convolutional Neural Network（基于深度卷积网络的接触网支架紧固件缺陷自动检测）

检测对象：紧固件是否丢失。

主要思想：检测接触网支架紧固件是否有缺陷，采用方法Object Detection。

文章主要采用三个阶段：

第一阶段：定位主要结构件的位置SSD作为检测网络。

第二阶段：检测第一阶段检测到的各结构图像中的紧固件Object Detection方式。

第三阶段：在第二阶段的基础上，检测图像crop，将其送到分类网络进行分类，看是否缺少紧固件。

思路也比较简单，但不是端到端，实际应用可能比较困难。

3、Automatic Fabric Defect Detection with a Multi-Scale Convolutional Denoising Autoencoder Network Model(自动检测基于多尺度卷积消噪自编码网络模型的织物缺陷)

检测对象：纺织物和布料的缺陷点检测。

主要思想：织物缺陷检测是纺织制造质量控制的重要环节。传统的织物检测通常采用人工视觉方法，效率低，长期工业应用精度差。本文提出利用高斯金字塔结合语义分割来重建缺陷，推理阶段结合多尺度结果。这种方法在织物缺陷检测中有几个突出的优点。首先，训练只需要少量无缺陷样本。这对于收集大量有缺陷的样品来说尤为重要。其次，由于采用多模态积分策略，该方法比一般检测方法具有更高的鲁棒性和准确性。第三，根据我们的结果，它可以从简单到复杂处理各种纺织面料。实验结果表明，该模型鲁棒性强，整体性能好。

模型结构：

检测结果：

4、An Unsupervised-Learning-Based Approach for Automated Defect Inspection on Textured Surfaces

测试对象：作者与上一篇文章相同，思想非常相似，主要针对均匀和不规则纹理的表面缺陷。这里没有更多的描述，如果你感兴趣，你可以阅读原始论文~

5、Automatic Metallic Surface Defect Detection and Recognition with Convolutional Neural Networks

检测对象：金属表面缺陷检测：

主要思想：本文讨论了金属缺陷的双重过程，可以准确定位和分类输入图像中的缺陷。设计了一种新的级联自动编码器（CASAE）结构用于分割和定位缺陷。级联网络将输入的缺陷图像转换为基于语义分割的像素级预测掩模。利用压缩卷积神经网络（CNN）将分割结果的缺陷区域划分为特定类别。利用工业数据集成功检测各种条件下的金属缺陷。实验结果表明，该方法满足金属缺陷检测的稳定性和准确性要求。同时，它也可以扩展到其他测试应用。

事实上，语义分割网络首先定位像素级别的缺陷位置，然后通过分类网络识别缺陷。

实验结果：

6、Autonomous Structural Visual Inspection Using Region-Based Deep Learning for Detecting Multiple Damage Types

检测对象：混凝土裂缝、中高钢腐蚀、螺栓腐蚀、钢分层五种损伤类型

主要思想：通过Faster RCNN实现检测网络，偏应用文章，效果不是特别好，这里只提供一个检测思路，详见论文。

7、A Surface Defect Detection Method Based on Positive Samples

检测对象：密集织物

主要思想：本文提出了基于正常样本训练的新缺陷检测框架。基本检测的概念是建立一个重建网络，可以修复样本中的缺陷区域，然后将输入样本与恢复样本进行比较，以指示缺陷区域的准确性。结合GAN利用自动编码器重建缺陷图像LBP进行图像局部对比度检测缺陷。在算法训练过程中，只需要正样本，不需要缺陷样本和人工标记。

主要结构：

训练阶段，x是训练集中随机拍摄的随机照片。C（x～| x）是人工缺陷模块。其功能是自动生成损坏、有缺陷的样本，x~它的输出。EN和DE构成自动编码器，EN是编码器，DE整个自动编码器是解码器G an模型可视为生成器。G任务是修复有缺陷的图片。D是鉴别器，D输出是其识别器是真实样本的概率。

我们将在测试阶段试图像x输入到自动编码器G中，得到恢复图像y，然后使用LBP算法提取x和y的特征，并比较x的每个像素的特征，其中x和y的特征差异较大，即缺陷。

通过GAN的方式来进行缺陷检测和重建一直是个热点方向，而且效果比较好，本文的思路算是比较新颖，值得借鉴。

实验结果：

8、Segmentation-based deep-learning approach for surface-defect detection

检测对象：表面缺陷检测、裂纹检测（金属）

主要思想：本文主要采用了两个网络，一个是判别网络，一个是分割网络。分割网络主要完成缺陷的分割，而判别网络在此基础上对缺陷作进一步分类。

算法很新颖，实验结果也还不错：

9、SDD-CNN: Small Data-Driven Convolution Neural Networks for Subtle Roller Defect Inspection（小数据驱动卷积神经网络在轧辊微小缺陷检测中的应用）

检测对象：轧辊微小缺陷检查

主要思想：滚柱轴承是旋转机械中最关键、应用最广泛的部件之一。外观缺陷检测是轴承质量控制的关键。然而，在实际工业中，轴承缺陷往往是极其细微的，并且发生的概率很低。这就导致了正负样本数量的分布差异，使得依靠数据驱动的检测方法难以开发和部署。本文提出了一种用于轧辊微小缺陷检测的小数据驱动卷积神经网络（SDD-CNN）一种用于小数据预处理的集成方法。首先，应用标签膨胀（LD）来解决类分布不平衡的问题。其次，提出了一种半监督数据增广（SSDA）方法，以更有效和可控的方式扩展数据集。该方法通过训练一个粗糙的CNN模型来生成地面真值类激活，并指导图像的随机裁剪。第三，介绍了CNN模型的四种变体，即SqueezeNet v1, Inception v3,VGG-16, and ResNet-18，并将其用于轧辊表面缺陷的检测和分类。最后，进行了一系列丰富的实验和评估，表明SDD-CNN模型，特别是SDD Inception v3模型，在滚筒缺陷分类任务中执行得非常好，top-1精度达到99.56%。此外，与原始CNN模型相比，SDD-CNN模型的收敛时间和分类精度都有显著提高。

网络结构：

实验结果：

下载1：OpenCV-Contrib扩展模块中文版教程

在「小白学视觉」公众号后台回复：扩展模块中文教程，即可下载全网第一份OpenCV扩展模块教程中文版，涵盖扩展模块安装、SFM算法、立体视觉、目标跟踪、生物视觉、超分辨率处理等二十多章内容。

下载2：Python视觉实战项目52讲

在「小白学视觉」公众号后台回复：Python视觉实战项目，即可下载包括图像分割、口罩检测、车道线检测、车辆计数、添加眼线、车牌识别、字符识别、情绪检测、文本内容提取、面部识别等31个视觉实战项目，助力快速学校计算机视觉。

下载3：OpenCV实战项目20讲

在「小白学视觉」公众号后台回复：OpenCV实战项目20讲，即可下载含有20个基于OpenCV实现20个实战项目，实现OpenCV学习进阶。

交流群

欢迎加入公众号读者群一起和同行交流，目前有SLAM、三维视觉、传感器、自动驾驶、计算摄影、检测、分割、识别、医学影像、GAN、算法竞赛等微信群（以后会逐渐细分），请扫描下面微信号加群，备注：”昵称+学校/公司+研究方向“，例如：”张三 + 上海交大 + 视觉SLAM“。请按照格式备注，否则不予通过。添加成功后会根据研究方向邀请进入相关微信群。请勿在群内发送广告，否则会请出群，谢谢理解~