「 工业缺陷检测深度学习方法」最新2022研究综述

作者丨专知

来源丨专知

极市平台编辑

导读

基于深度学习的工业缺陷检测方法在各种生产、运行和维护场景中发挥着重要作用。本文将全面总结工业缺陷检测的任务定义、困难、挑战、主流方法、公共数据集和评价指标， 并总结了方法部署中的关键辅助技术。

基于深度学习的工业缺陷检测方法可降低传统人工质检的成本， 提高检测的准确性和效率， 因此，在智能制造中发挥重要作用， 并逐渐成为计算机视觉领域新兴的研究热点之一. 广泛应用于无人质量检验、智能检验、质量控制等生产运维场景. 本综述旨在全面总结工业缺陷检测的任务定义、难点、挑战、主流方法、公共数据集和评价指标， 帮助研究人员快速了解这一领域. 具体而言, 本文首先介绍了工业缺陷检测的背景和特点. 接着, 根据实际数据标注情况， 缺陷模式已知，缺陷模式未知，少量缺陷标记 3 设置研究任务， 并根据方法类型进行进一步的总结和分析， 探讨了各种方法的性能优缺点和适用场景， 阐明了方法与实际应用需求的相关性. 此外, 本文还总结了方法部署中的关键辅助技术， 总结了实际行业实施中现有方法的局限性. 最后, 本文展望了该领域未来的发展趋势和潜在的研究方向.

原文链接：http://scis.scichina.com/ssi2022.html#526

引言

大到飞机机翼， 从芯片晶粒到芯片晶粒， 现代社会工业产品无处不在. 工业缺陷检测， 发现各种各样的工作 工业产品的外观缺陷， 是保证产品质量和稳定生产的重要技术之一. 过去的缺陷检测需要人工筛查， 成本高，效率低， 难以覆盖大规模的质检需求. 近年来, 工业成像、计算机视觉和深度学习 新技术层出不穷， 基于视觉的工业缺陷检测技术取得了长足的发展， 成为产品外观质量检验之一 有效的解决方案， 引发了学术界和工业界的强烈关注. 不仅可以用于检测各种工业体系 品, 如金属、纺织品、半导体等， 检测精度和效率优异， 还可以提供简单安全的操作环境. 因此, 工业缺陷检测已成为智能制造领域的重要基础研究和技术之一， 广泛应用于无人质检、智能巡检、生产控制、异常溯源等场景.

《中国制造 2025年行动纲领指出， 建设制造强国的任务艰巨而紧迫， 加快信息化与工业化深度融合， 促进生产过程的智能化. 因此, 基于视觉的工业缺陷检测 它不仅具有非常重要的研究价值， 同时也有广阔的应用前景. 然而, 与一般目标检测任务相比， 工业 缺陷检测面临诸多困难， 如, 缺陷样本缺乏、缺陷可视性低、形状不规则、类型未知等， 导致许多 现有方法难以同时满足高精度、高速度的任务需求， 因此，在实现落地应用的道路上仍存在许多问题 亟待解决.

工业缺陷可视为工业产品的外观 “异常”, 因此，一些工业缺陷检测方法采用异常检测 测的思路. 然而，异常检测的定义也不同于工业缺陷检测. 具体而言, 异常检测的概念更广泛 抽象, 图像异常检测主要集中在输入图像是否为异常实例上， 工业缺陷检测更注重像素检测 任务. 在像素层面， 异常与正常模式的差异更为细微， 检测难度也显著增加. 因此，异常检测直接使用 该方法难以满足工业缺陷检测任务的需要.

近年来, 在处理背景复杂、缺陷微弱的工业图像时，深度学习方法表现出优异的性能优势， 逐 在这一领域逐渐占据主导地位. 鉴于此, 本文总结了基于深度学习的工业缺陷检测方法， 旨在帮助研 对该领域的任务设置、主流方法、评价体系等方面有系统的了解. 因为这个任务很强 应用驱动， 根据实际情况中数据样本的标记和使用情况， 划分出 3 任务设置： 缺陷模式已 未知的缺陷模式和少量的缺陷标记. 特别地, 本文还总结了促进方法实施的关键辅助技术， 其有助于提 实用的实用性. 本文关注各种方法的共性和差异， 逐步分析问题导向的发展脉络， 并结合领域 研究现状展望未来发展趋势， 希望能帮助研究人员开拓思路.

目前国内外综述 [1～5] 广义上大多讨论异常检测领域的方法， 图像、视频、表格和序列 等待各种数据形式. 文献 [2, 3] 综合总结分析了基于深度学习的异常检测方法， 但缺乏针 讨论工业场景. 文献 [6, 7] 虽然以工业生产为背景， 但主要侧重于传统的方法和系统控制. 文献 [8] 系统地总结了基于深度学习的表面缺陷检测方法， 但主要有监督方法. 而近期, 基 在无监督、半监督等研究中也取得了许多新的成果， 但在工业缺陷检测领域没有全面详细的综述文献. 因此, 本综述希望填补这一空缺， 重点介绍和总结这些新方法. 本文后续内容的组织如下： 第 2 介绍了工业缺陷检测问题的定义， 分析研究难点和挑战； 第 3 节 介绍了近年来主流的工业缺陷检测方法， 并按照方法的设计原理进一步归纳与分析; 第 4 针对实际部署的关键辅助技术； 第 5 介绍常用的公开数据集和评价指标， 比较典型的方法 的性能; 最后, 第 6 本节总结了当前研究的情况和局限性， 展望未来的发展趋势和潜在的研究方向.

2 问题定义与研究现状

2.1 问题定义

基于视觉的工业缺陷检测旨在发现各种工业产品的外观缺陷，如织物、芯片、药品甚至基础设施材料 陷. 尽管这些缺陷很小， 但可能严重危害产品的正常功能. 它们可能发生在工业产品生命周期的任何时期， 如产品的生产、运输和使用等. 缺陷 (defect) 概念可与异常相比 (anomaly). 异常是指超出预期模式范围的数据[1] , 目前，有大量的工作要定义和分类 [1～5, 9, 10] . 通常学者根据数据之间是否存在上下文关系， 将异常分为点异常， 上下文异常和集群异常 [1, 5, 10] .

如图 1(a) 所示, 异常点也叫离群值 (outliers) [9] , 描述偏离正常样本的独立数据； 上下文异常也描述了数据点， 其值属于正常范围， 但不符合局部上下文规律； 集群异常描述一系列相关数据的集合， 单独检查时，集合中的每个实例的值都处于正常值域， 但整体的相关特征不服从正常模式. 具体到图像数据, 文献 [5] 图像异常分为低级纹理异常和高级语义异常，根据异常是否有明显的语义性.

与异常相似的概念还包括新点 (novelty) 和分布外数据 (out-of-distribution, OOD) [4] . 在图 1(b) 在图像分类任务中， 猫的定义基于白猫样本. 白狗即 使颜色相近， 但由于语义类别不同，属于离群值； 黑猫属猫， 语义类别相同， 但是，颜色属性没有训练 集中出现， 属于新点； OOD 关注数据集合的分布差异， 文本数据集与自然场景中猫的数据集 分布差异明显. 类似地, 如图 1(c) 所示, 在工业缺陷检测中， 正常样品包括多种产品， 缺陷可被 视为它的外观 “异常”. 不同的是, 图像中的一小部分区域经常出现工业缺陷， 明显程度较低， 且语义 概念模糊. 因而, 一般图像异常检测通常只需区分正常和异常样本， 工业缺陷检测更注重检测图像中的异常像素. 在实际的工业场景中， 缺陷的定义更加主观， 因此，学者们试图寻求其异常检测 关联. 考虑到上述任务的相似性， 异常检测、新颖点检测和一些缺陷检测方法也采用 OOD 检测的思路. 例如, 考虑缺陷像素值， 可以类比为新颖点或离群值； 在考虑像素之间的关联时， 又可将 其类比上下文异常或集群异常.

尽管缺陷通常属于未知模式， 但仍能从现有的缺陷样本中找到一些共性， 因此，总结缺陷和缺陷 背景类型有助于设计有针对性的检测方法. 如图 2 所示, 根据缺陷的位置和表现形式，本文将工业缺陷分为表面缺陷和结构缺陷.

表面缺陷主要出现在产品表面的局部位置， 通常表现为纹理突变、异常区域、反规则模式或错误图案. 例如, 表面裂纹、色块、织物、商标文字印刷错误等.根据缺陷区域的像素值与周围背景的差异，可为离群值或集群异常： 离群值缺陷的像素值通常与正常图像有明显差异； 集群异常缺陷的像素值与周围正常区域相同， 所以更难找到.

结构缺陷主要是产品整体结构错误造成的， 包括变形、错位、缺损和污染. 如铁丝弯曲、二极管边缘缺损或位置错误等. 相应地, 根据产品的整体结构， 背景可分为纹理类 与物体类. 纹理聚焦产品的局部表面， 按复杂程度分为简单纹理、规则纹理和不规则纹理. 物体类包括整个产品， 结构更复杂， 产品以外的背景干扰. 此时, 不仅要考虑表面缺陷， 也 考虑结构缺陷. 可见, 在不同的背景下， 不同类型缺陷的弱度不同. 即使是同一缺陷的不同实例之间， 可视性也可能有很大的差异.

根据输出结果的粒度， 工业视觉缺陷检测任务一般包括分类和定位. 如图 3 所示, 对于一个 待测图像实例， 分类任务首先将其分类为正常样本或正常样本陷样本; 当缺陷类型已知时, 还可进一步对缺陷类型进行判别, 例如, 织物上可能存在穿线、异色等多种缺陷. 定位任务的目标是找到缺陷在图像 中的具体区域, 根据缺陷区域的描述方式可分为检测 (检测框) 与分割 (像素级). 事实上, 上述任务有 时是可以同时进行的, 例如, 在分类模型上利用可视化方法 [11∼13] 可实现像素级的定位, 分割结果同 样可以用来判断整图的分类. 由于工业缺陷的形状不规则、尺寸变化较大, 检测框难以精确表示缺陷 的位置, 而且容易引入较多无关的背景信息, 对缺陷检测性能的评估造成麻烦. 因而, 在实际的缺陷定 位任务中, 研究者们更关注缺陷分割方法. 鉴于此, 本文将重点论述分类与分割任务的工作。

2.2 研究概述

工业缺陷检测长期以来都是工业视觉领域最重要的研究之一. 近年来, 随着深度学习在计算机视 觉任务中的普及, 基于深度学习的工业缺陷检测方法也得到了飞速发展, 并逐渐占据主流. 得益于卷 积神经网络 (convolutional neural network, CNN) 强大的特征提取能力与对高维数据的表征能力, 基于深度学习的方法可以自动学习人工难以设计的特征, 不仅节约了手工设计特征的成本, 还令检测精度大幅提高. 相比基于图像处理与统计学习的传统方法, 它更擅长处理复杂的工业图像数据. 

本文将近年国内外工业缺陷检测领域的热点研究进展组织为图 4 所示的结构. 检测算法依据实际工业场景中数据情况的不同, 被分为缺陷模式已知、缺陷模式未知与少量缺陷标注 3 种设置. 缺陷模式已知时, 一般采用有监督深度学习方法, 需要充足而精确的样本标注, 可以从分类、检测与分割 3 种角度进行方法设计. 缺陷模式未知时, 一般采用无监督深度学习方法构造比较对象. 根据比较对象维度的不同, 可分为在图像维度与在特征维度比较相似度, 并基于方法的原理进一步细分. 少量缺陷标注的场景贴 近实际工业情况, 训练集中包含比例不均衡正负样本, 且只有少量的缺陷样本具有精确或不精确的标注. 此时, 根据具体的数据标注情况, 分别采用小样本、半监督和弱监督等新兴方法来处理, 近年来这些方法也逐渐得到学术界与工业界的高度重视. 自监督学习属于无监督学习的一种, 其从无标注数据 中挖掘自身的监督信息, 最近也在工业缺陷检测领域得到了广泛的应用. 

因此, 本文从构建监督信息的角度对自监督方法予以归纳. 辅助技术主要用于提升检测方法的实用性, 本文主要从 3 个角度讨论. 数据增强与合成为数据贪婪的检测模型提供足够的训练集; 模型压缩与加速技术面向落地使用中的低 存储开销与实时性需求; 阈值设置旨在找到推理阶段最合适的分类边界.

3 检测算法

3.1 缺陷模式已知

在许多实际工业场景中, 大部分缺陷的类型已事先经过专业的统计与归纳, 因而在方法设计时可 以利用缺陷的特征直接检测, 或者利用先验知识搜集、标注数据集来训练模型.  基于有监督设置的深度学习方法已经在许多视觉任务上取得了较为成熟的发展与应用. 当缺陷种 类已知且具有充足的标注样本, 或者需要解决缺陷种类的多分类问题时, 工业缺陷检测往往采用有监督方法. 这些方法大多是将已有的通用目标的分类、检测、分割模型应用于工业场景, 并根据实际情况中缺陷的微弱性与模型的速度需求进行微调.

有监督的方法可以解决缺陷多分类的问题, 适合于大部分缺陷的类型已知或缺陷特点鲜明的情况. 尽管需要高昂的标注成本, 但是此类方法在样本充足的情况下具有优良的性能, 并已在部分实际应用 中检验了方法的有效性. 现有方法在简单规则的工业场景中已较为成熟, 而对于复杂背景及无规则微 弱缺陷的检测仍有发展空间. 然而, 面对样本匮乏、缺陷模式未知的情况时, 有监督方法本身依然存在不足.

3.2 缺陷模式未知

在实际情况中, 含有缺陷的样本极难获取. 面对缺陷的未知性与无规则性, 基于缺陷先验知识的 方法存在较大的局限性. 因此, 无监督的设置已经引起了广泛重视. 此类方法大多借鉴异常检测的思 路, 对易于获取与描述的正常样本进行建模. 缺陷被定义为正常范围之外的模式. 

无监督设置下的任务目标通常是判断待测样本是否包含缺陷, 或对缺陷区域进行定位, 此时定位结果的输出一般是像素级的分割结果. 基于无监督设置的深度学习方法仅需要易于获取的正常样本用于模型训练, 无需使用真实缺陷样本. 其不仅能解决有监督深度学习方法无法发现未知缺陷的问题, 而且拥有比传统方法更强的对图像特征的表达能力, 因而成为了当今的研究热点. 此类方法的核心思想是构建出一个与待测样本最相近 的 “模板” 与之比较, 根据像素或特征的差异性实现缺陷的检出与定位. 根据比较维度的不同, 本文将 方法划分为基于图像相似度的方法与基于特征相似度的方法.

3.3 少量缺陷标注

实际工业场景的情况往往介于上述两种设置之间. 不仅可以获得相对充分的正常样本, 还可以事 先收集少量缺陷样本, 并进行标注. 即使缺陷样本只有粗粒度的标注也能为检测性能带来提升, 因此 纯粹的有监督与无监督方法均难以充分利用提供的数据, 而不是最佳的解决方案. 此时, 面对样本稀少、数据不均衡、标注不精确等问题, 研究者们尝试基于小样本、半监督和弱监督的设置来设计更加合理的方法.

4 辅助技术

检测方法设计不仅要考虑方法本身的检测精度, 还需要根据实际情况, 利用一些辅助技术帮助其 投入产业使用. 对此, 本文主要综述 3 种关键的辅助技术: 数据扩增旨在利用合成等手段增加样本的 多样性, 以提升有监督和自监督方法的性能; 轻量化技术关注模型在实际部署时的时间与空间复杂度, 帮助模型在低功耗设备上达到实时检测的水平; 阈值设置是区分正常与异常样本的关键, 合适而可控 的阈值设置有助于方法实现较高的实际性能。

5 数据集与性能评估

5.1 常用数据集

当前常被用于工业缺陷检测研究的数据集如表 3 [19, 30, 39, 173∼182]1)所示. 本文具体介绍近年提出的契合不同任务设置的典型数据集.

5.2 评价指标

由于分类与分割通常在工业缺陷检测中具有较大的实用价值, 本文主要介绍这两类任务的评价 指标. 分类的性能通常采用准确率 (accuracy)、精确率 (precision) 和召回率 (recall) 进行评估. 准确率指所有预测正确的类占全部的比重; 精确率也被称查准率, 指预测为缺陷的样本中正确预测所占的比例; 召回率也被称为查全率、真阳性 率 (true positive rate, TPR), 指所有缺陷中被正确检出的比例. 在实际应用中, 往往还会关注误检率 (false drop rate, FPR) 与漏检率 (false negatives rate, FNR), 它们衡量模型的不足之处。像素级缺陷定位的任务可视为前景与背景的两类分割问题. 当输出的异常分数图是表示对应像素 为缺陷概率的热力图时, 需要对其设定相应阈值获得二值化分割结果. 因此, 分割指标也可分为固定 阈值的指标和与阈值无关的指标。

6 总结与展望

6.1 总结

作为工业视觉的核心技术, 基于视觉的工业缺陷检测因其广泛而重要的应用价值, 逐渐成为炙手 可热的新兴研究问题之一. 近年来已经涌现出大量的新理论和新方法, 并已逐渐投入实际产业. 本文对 该领域的任务定义、研究难点、检测方法、辅助技术、常用公开数据集、评价指标与典型方法性能等 进行了综合梳理, 重点综述了深度学习方法的重要进展然而, 尽管目前工业缺陷检测方法已在部分工业数据上表现出较高的性能, 但现有研究依然存在 很大的局限性, 限制了相关方法的进一步研究与落地.

6.1.1 更贴近实际的任务设置

基于有监督的缺陷检测方法已逐渐趋于成熟, 展现出了优越的性能. 但是有监督方法依赖于大规 模带有精确标注数据的支持, 而数据的搜集与标注过程成本高昂, 使之无法与实际工业场景完全吻合. 同时, 有监督方法无法处理新类别缺陷的检测问题. 无监督方法虽然大大降低了数据标注的需求, 也 能检测未知型缺陷, 但是在定位性能与可解释性方面仍然无法替代有监督方法. 在实际生产环境中, 少量缺陷标注的情况更加常见. 用户不仅可以提供大量的正常样本, 同时也 能提供少量具有精确或粗糙标注的缺陷样本. 相比于上述两种设置, 小样本、半监督和弱监督的方法 更加贴合工业场景, 可以更加充分地利用资源, 因而其关注度迅速增加. 目前, 这些方法仍然处于发展 的初期, 仍有待进一步的研究与发展.

6.1.2 缺乏完备的数据集

数据集是深度学习方法研究的基础. 目前常用于工业缺陷检测任务的数据集主要存在着背景类型 单一、缺陷种类单一等不足, 无法模拟现实中复杂的检测场景. 在实际工业生产过程中, 所拍摄的产品 图像也可能来源于不同的成像条件、不同的拍摄角度或者不同制程, 在同一产品上也会出现不同类型 的缺陷. 构建更贴近实际工业场景与任务设置的数据集不仅有助于更加实用的算法的开发, 也有助于 算法实际部署. 例如, 多重成像的数据集可以将在一种成像条件下难以被发现的缺陷在另一成像中凸 显, 从而给缺陷发现带来了便利. 工业缺陷检测方法在无人巡检、异常溯源等延伸性工作的性能也需 要经过相应数据集的检验. 因此, 新数据集的建立与完善也非常重要, 只有构造出合适的数据集, 才能 支撑各种新场景、新任务和新设置下方法的发展.

6.2 展望

除了上述总结的目前研究中的不足, 该领域还有许多极具潜力的研究方向有待进一步探索.

6.2.1 神经架构搜索

现有的基于深度学习的方法大多依靠手工设计深度神经网络, 依照经验设置超参数. 因此, 现有 的模型结构可能并非面向工业缺陷检测的最优解. Rippel 等 [132] 比较了多种基础网络对模型性能的 影响, 其中基于自动机器学习 (automated machine learning, AutoML) 获得的 EfficientNet [187] 的性能 优于人工设计的 ResNet [188] . EfficientNet 高效的网络结构与 Swish 激活函数被认为是提升性能的主要原因. 相比于其他通用的视觉检测任务, 大部分工业视觉的使用场景更加具体, 利用神经架构搜索 (neural architecture search, NAS) 的方法自动搜索针对特定任务场景的最优模型是一种可行的解决方案, 不仅有助于弥补人工经验设置的不足, 还能提升模型的效率. AutoOD [189] 基于 NAS 搜索 AE 架 构的模型参数, 实现了优于手工模型的检测性能. 然而, 目前 NAS 在无监督与半监督设置中的应用尚 少, 未来可能在工业视觉领域的相关任务上得到发展.

6.2.2 Transformer 的应用

近年来, Transformer 模型 [190] 被引入到计算机视觉领域, 并在多种视觉任务上展现出优越的性 能[191∼195] . 相比于 CNN 关注局部特征关系, 视觉 Transformer 利用注意力机制, 可以建模图像中的长距离关系. Xie 等 [196] 将高效的 Swin Transformer[194] 改进后用于有监督的太阳能电池板的缺陷检测.其增加窗间注意力来增强全局语义特征的提取, 用多尺度聚合模块结合不同层级的特征, 实现了较高的分类性能. 

然而, Transformer 模型的性能优势通常需要足够的训练数据支撑, 而大部分工业缺陷检测场景难以获取充足的缺陷数据. 因此, 研究者们尝试在无监督设置下引入 Transformer, 一般将其用于基于图像相似度的方法. Mishra 等 [180] 将基于图像重建模型的编码器改为 Transformer 结构, 以增强全局特征的提取能力. 同时, 用 GMM 对 Transformer 的编码结果进行密度估计. 在测试阶段, 根据 GMM 对图像块的密度估计结果进行缺陷定位, 同时结合重建误差实现图像级分类. Pirnay 等 [157] 认为在基于图像复原任务的缺陷检测方法 [114] 中, 长距离信息有利于高质量的图像复原, 从而提升缺陷分割能力, 因而将 CNN 替换为 Transformer, 根据周围信息来复原图像块, 最终根据重建误差进行缺陷分割. Pinaya 等 [197] 首先训练 VQ-VAE [198] 对图像进行离散编码, 然后利用多个高效的 Transformer 模型 Performer [195] 对不同顺序的离散编码进行自回归建模. 最终基于重建误差和隐空间编码的似然 进行异常分割, 从而减少误检. 

Transformer 具有全局关系建模的能力, 且具有更好的可解释性 [199] . 但是其对计算资源的需求也 相应增大, 对工业场景的低开销需求提出挑战. 目前也有相关工作继续在高效 Transformer 模型[194, 195] 与小数据集 [199] 的应用上进行探索. 尽管目前 Transformer 在工业缺陷检测领域的实用性还尚未得到 充分探索, 但现有研究已经指出了 Transformer 的潜力.

6.2.3 多重成像与多模态

早期的工业缺陷检测方法利用光学方法提升缺陷的显著性, 从而使其易于被检出. 事实上, 工业 缺陷的种类千差万别, 可能存在各自适合的成像方式, 因此, 利用不同成像条件的差异产生区分力是 一个具有潜力的方案. 在实际场景下, 红外线、X 射线等其他成像方式可能适合特定产品的质检任务; 结构光、激光等方式获得的 3D 信息还能进一步提升产品结构性缺陷的表达能力. 目前大部分的方法 仅关注于单一的 RGB、灰度图像或其他成像形式的输入. 为了综合不同成像条件的感知能力, 模型可 以进一步考虑融合多模态数据的特征来增强检测性能, 以应对更复杂的场景.

6.2.4 更具可解释性的方法

尽管深度学习极大地促进了工业缺陷检测的发展, 新兴的方法拥有卓越的检测性能, 但是不少方 法仍缺乏完备的可解释性. 许多基于无监督的方法还依赖大量的经验性假设. 对模型解释性的研究不 仅有助于人们理解模型工作机制, 还能促进新型方法的研发. 从辅助人工检测的角度而言, 建立人机 互信在实际应用落地的推进中至关重要. 因此, 置信度预测 [200] 和模型可视化等模型理解的研究不只 在工业缺陷检测领域, 也在整个人工智能领域极具意义.

6.2.5 在线学习与联邦学习

现有方法大多采用离线学习的方法, 即预先根据对应所给数据集训练模型, 然后部署到产线中. 但 由于训练初期通常缺乏有标签的缺陷样本, 部署时模型的实际性能难达最佳. 在实际应用中, 产线可 以不断地提供新样本, 也可能发现新的缺陷类型. 因此, 运用在线学习的方法对模型进行快速实时的 调整也将成为后续研究与应用的重点之一. 由于某些产品及其缺陷存在一定的共性特征, 结合不同生 产线上的样本有助于充分训练与调整模型. 考虑到工业数据往往容易涉及隐私问题, 引入联邦学习的 框架有助于在保障各个合作者隐私安全的前提下, 有效地结合各方的样本数据.

本文仅做学术分享，如有侵权，请联系删文。

3D视觉工坊精品课程官网：3dcver.com

1.面向自动驾驶领域的多传感器数据融合技术

2.面向自动驾驶领域的3D点云目标检测全栈学习路线！(单模态+多模态/数据+代码)
3.彻底搞透视觉三维重建：原理剖析、代码讲解、及优化改进
4.国内首个面向工业级实战的点云处理课程
5.激光-视觉-IMU-GPS融合SLAM算法梳理和代码讲解
6.彻底搞懂视觉-惯性SLAM：基于VINS-Fusion正式开课啦
7.彻底搞懂基于LOAM框架的3D激光SLAM: 源码剖析到算法优化
8.彻底剖析室内、室外激光SLAM关键算法原理、代码和实战(cartographer+LOAM +LIO-SAM)

9.从零搭建一套结构光3D重建系统[理论+源码+实践]

10.单目深度估计方法：算法梳理与代码实现

11.自动驾驶中的深度学习模型部署实战

12.相机模型与标定(单目+双目+鱼眼）

13.重磅！四旋翼飞行器：算法与实战

14.ROS2从入门到精通：理论与实战

15.国内首个3D缺陷检测教程：理论、源码与实战

16.基于Open3D的点云处理入门与实战教程

重磅！3DCVer-学术论文写作投稿 交流群已成立

扫码添加小助手微信，可申请加入3D视觉工坊-学术论文写作与投稿 微信交流群，旨在交流顶会、顶刊、SCI、EI等写作与投稿事宜。

同时也可申请加入我们的细分方向交流群，目前主要有3D视觉、CV&深度学习、SLAM、三维重建、点云后处理、自动驾驶、多传感器融合、CV入门、三维测量、VR/AR、3D人脸识别、医疗影像、缺陷检测、行人重识别、目标跟踪、视觉产品落地、视觉竞赛、车牌识别、硬件选型、学术交流、求职交流、ORB-SLAM系列源码交流、深度估计等微信群。

一定要备注：研究方向+学校/公司+昵称，例如：”3D视觉 + 上海交大 + 静静“。请按照格式备注，可快速被通过且邀请进群。原创投稿也请联系。

▲长按加微信群或投稿

▲长按关注公众号

3D视觉从入门到精通知识星球：针对3D视觉领域的视频课程（三维重建系列、三维点云系列、结构光系列、手眼标定、相机标定、激光/视觉SLAM、自动驾驶等）、知识点汇总、入门进阶学习路线、最新paper分享、疑问解答五个方面进行深耕，更有各类大厂的算法工程人员进行技术指导。与此同时，星球将联合知名企业发布3D视觉相关算法开发岗位以及项目对接信息，打造成集技术与就业为一体的铁杆粉丝聚集区，近4000星球成员为创造更好的AI世界共同进步，知识星球入口：

学习3D视觉核心技术，扫描查看介绍，3天内无条件退款

 圈里有高质量教程资料、答疑解惑、助你高效解决问题

觉得有用，麻烦给个赞和在看~