基于深度学习的工业缺陷检测研究进展

作     者：洪景山 祝颖丹 宋康康 吕东喜 陈明达 胡海根 HONG Jingshan;ZHU Yingdan;SONG Kangkang;LYU Dongxi;CHEN Mingda;HU Haigen

作者机构：浙江工业大学计算机科学与技术学院、软件学院杭州310014 中国科学院宁波材料技术与工程研究所浙江省机器人与智能制造装备技术重点实验室浙江宁波315201 

基　　金：国家自然科学基金(U21A20165) 浙江省自然科学基金(LD22E050011) 宁波市科技创新2025重大专项(2021Z124,2021Z126,2021Z026,2018B10076) 

出 版 物：《计算机科学》 (Computer Science)

年 卷 期：2024年第51卷第10期

页      码：261-275页

摘      要：基于深度学习的机器视觉技术在工业缺陷检测上具有重要的应用价值,相较于传统方法可显著提高检测质量和效率,同时降低人工成本。通过分析近年来深度学习在缺陷检测方面的研究与应用,归纳其难点与相关的解决方法,将问题分为缺陷数据集在建立过程中存在的问题与检测模型的选择两个方面。首先,在数据层面,针对缺陷的样本少、数据标注类型复杂、数据成像质量低等问题,对应分析了少样本学习,无监督、半监督、自监督、弱监督学习以及数据增强、图像增强、图像翻译的应用;其次,在检测算法模型的选择上,根据模型类型的不同,分为基于CNN、基于Transformer以及混合模型3类进行讨论,同时根据检测任务需求的不同,又分别从图像分类、目标检测、语义分割3个方面展开论述。此外,总结了工业上常用的轻量化模型的设计方法。最后,对该领域未来的发展方向进行了讨论与展望。

主 题 词：深度学习 机器视觉 缺陷检测 神经网络 

学科分类：081203[081203] 08[工学] 0835[0835] 0812[工学-测绘类] 

D　O　I：10.11896/jsjkx.230800158

馆 藏 号：203126109...