您所在的位置：long8官网登录入口 > 新聞中心>機器視覺表面缺陷檢測介紹
2022-07-30 11:21:09 long8唯一中国官方网站
機器視覺表面缺陷檢測在工業生產中扮演著重要的角色⒃⒄⒅⒆⒇⒈⒉⒊⒋⒌⒍⒎⒏⒐⒑⒒⒓。傳統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確識別缺陷☈⊙☉℃℉❅。
機器視覺可以替代人眼進行檢測⒥⒦⒧⒨⒩⒪⒫⒬⒭⒮⒯⒰⒱⒲⒳⒴⒵❆❇❈❉❊†☨✞✝☥☦☓☩☯，但在實際應用中仍面臨很多挑戰ⓚⓛⓜⓝⓞⓟⓠⓡⓢ，尤其是近幾年的傳統圖像算法解決方案基于經驗手工設計ⓚⓛⓜⓝⓞⓟⓠⓡⓢ，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❋❀⚘☑✓✔√☐☒✗✘ㄨ✕✖✖⋆✢✣、失真和遮擋等復雜的場景中⒜⒝⒞⒟⒠⒡⒢⒣⒤。現今深度學習在特征提取方面有著亮眼的表現☈⊙☉℃℉❅，在諸多有監督的任務上都取得了優質的表現㈠㈡㈢㈣㈤㈥㈦，例如分類㈠㈡㈢㈣㈤㈥㈦、目標檢測和圖像分割⓱⓲⓳⓴⓵⓶⓷⓸⓹⓺⓻⓼⓽⓾。
同時❣❦❧♡۵，近年來也涌現了不少用卷積神經網絡來進行缺陷檢測的方案♀☿☼☀☁☂☄，其中最常見的是直接利用目標檢測網絡如Faster RCNN或者SSD對缺陷進行定位和分類♦☜☞☝✍☚☛☟✌✽✾✿❁❃。也有先用目標檢測進行粗定位✺ϟ☇♤♧♡♢♠♣♥，然后用FCN進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輪廓⒔⒕⒖⒗⒘⒙⒚⒛ⅠⅡⅢⅣⅤⅥⅦⅧⅨⅩⅪⅫⅰⅱ，但是這些方法都屬于有監督的學習♦☜☞☝✍☚☛☟✌✽✾✿❁❃，在實際的工業應用中存在以下問題：
缺少缺陷樣本：在實際應用中✺ϟ☇♤♧♡♢♠♣♥，用于訓練的缺陷樣本往往是非常稀少且難以獲取的ⅲⅳⅴⅵⅶⅷⅸⅹⒶⒷⒸⒹ。因此在訓練過程中正負樣本是非常不均衡的⒜⒝⒞⒟⒠⒡⒢⒣⒤，這極大的限制了模型的性能⓱⓲⓳⓴⓵⓶⓷⓸⓹⓺⓻⓼⓽⓾，甚至導致模型完全不可用㈧㈨㈩⑴⑵⑶⑷⑸⑹⑺⑻⑼⑽⑾⑿⒀⒁⒂。在缺陷外觀多變的場景下⒔⒕⒖⒗⒘⒙⒚⒛ⅠⅡⅢⅣⅤⅥⅦⅧⅨⅩⅪⅫⅰⅱ，有監督學習的方法往往無法滿足正常的生產需求⒔⒕⒖⒗⒘⒙⒚⒛ⅠⅡⅢⅣⅤⅥⅦⅧⅨⅩⅪⅫⅰⅱ。
人工標注成本高昂：實際的工業缺陷檢測場景中❋❀⚘☑✓✔√☐☒✗✘ㄨ✕✖✖⋆✢✣，通常存在許多不同種類的缺陷⒔⒕⒖⒗⒘⒙⒚⒛ⅠⅡⅢⅣⅤⅥⅦⅧⅨⅩⅪⅫⅰⅱ，檢測的標準和質量指標往往也不同웃유ღ♋♂。這就需要人為標注大量的訓練數據來滿足特定需求㊀㊁㊂㊃㊄㊅㊆㊇㊈㊉，這需要付出大量的人力資源㈠㈡㈢㈣㈤㈥㈦。
