机器学习缺陷生成 缺陷检测算法研究

前言
缺陷检测是工业上非常重要的一个应用，由于缺陷多种多样，传统的机器视觉算法很难做到对缺陷特征完整的建模和迁移，复用性不大，要求区分工况，这会浪费大量的人力成本。深度学习在特征提取和定位上取得了非常好的效果，越来越多的学者和工程人员开始将深度学习算法引入到缺陷检测领域中，下面将会介绍几种深度学习算法在缺陷检测领域中的应用。

• A fast and robust convolutional neural network-based defect detection model in product quality control
  检测对象：布匹缺陷。
  主要思想：这是一篇比较早的文章了，主要通过对输入图像进行切片，然后把切片图像送入深度学习网络中做判断，较为简单。在推理时，通过滑窗检测方式进行逐位置识别。



• 
  



• 
  



• 优缺点：
• 由于使用分类方式，准确率较为高
• 由于滑窗遍历，速度慢

3. 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：紧固件是否缺失。
   主要思想：检测接触网支架紧固件是否缺陷，采用方式为Object Detection。



4. 文章主要采用三阶段方式：



5. 第一阶段：定位主要结构件位置，采用SSD作为检测网络。



6. 第二阶段：对第一阶段检测出的各个结构图像中的紧固件做检测，也是采用Object Detection方式。



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



8. 思路也算比较简单，但不是端到端，实际应用起来可能比较困难。
10. Automatic Fabric Defect Detection with a Multi-Scale Convolutional Denoising Autoencoder Network Model（基于多尺度卷积消噪自编码网络模型的织物疵点自动检测）
    检测对象：纺织物和布匹的瑕疵点检测。
    主要思想：织物疵点检测是纺织制造业质量控制中必不可少的环节。传统的织物检测通常采用人工视觉的方法进行，效率低，长期工业应用精度差。论文提出使用高斯金字塔结合语义分割的方式来重建缺陷，推理阶段通过结合多尺度结果，完成融合。这种方法在织物疵点检测中有几个突出的优点。首先，只需少量的无缺陷样本就可以进行训练。这对于收集大量有缺陷样品困难且不可行的情况尤其重要。其次，由于采用了多模态积分策略，与一般的检测方法相比，该方法具有更高的鲁棒性和准确性。第三，根据我们的结果，它可以处理多种类型的纺织面料，从简单到复杂。实验结果表明，该模型具有较强的鲁棒性和良好的整体性能。
    模型结构：



11. 
    



12. 检测结果：



13. 
    



14. 
    



15. An Unsupervised-Learning-Based Approach for Automated Defect Inspection on Textured Surfaces
16. Automatic Metallic Surface Defect Detection and Recognition with Convolutional Neural Networks
17. Autonomous Structural Visual Inspection Using Region-Based Deep Learning for Detecting Multiple Damage Types
18. A Surface Defect Detection Method Based on Positive Samples