基于深度学习的表面缺陷检测技术研究进展

随着计算机视觉技术的快速发展,基于深度学习的表面缺陷检测技术实现了爆发式的应用,并逐步成为了主流发展方向。基于深度学习的缺陷检测技术可以近似为计算机视觉任务中的分类、检测、分割等任务,其主要目的是找出物体表面缺陷的类别和所在位置,相较于传统图像处理方法,深度学习在特征提取能力和环境适应能力上优势明显。以缺陷数据标签类型为依据,对近年来基于深度学习的表面缺陷检测技术进行梳理划分,总结目前技术的优点与不足,重点阐述了监督学习下的三种缺陷检测方法。探讨了表面缺陷检测技术面临的小样本以及不平衡样本等关键问题：对于小样本问题目前有结构优化、数据增广、迁移学习等解决方法;针对不平衡样本问题,介绍了近年来热点的无监督、弱监督与半监督学习模型。随后介绍了常用的工业表面缺陷数据集并展现了近年来提出的算法在NEU数据集上的应用效果。最后对进一步的研究工作提出展望,希望能给缺陷检测研究提供有意义的参考。     

基于机器视觉的表面缺陷检测方法研究进展

基于机器视觉的表面缺陷检测以无接触、无损伤、自动化程度高及安全可靠等突出优点被广泛应用于各种工业场景中,尤其随着深度学习技术的快速发展,视觉缺陷检测有助于提高产品及装备的智能化水平。综述分析了表面缺陷检测的常用方法、通用数据集、检测结果评价指标和现阶段面临的关键问题。首先,将缺陷检测方法分为传统基于图像处理的缺陷检测、基于传统机器学习模型的缺陷检测及基于深度学习的缺陷检测,并对各种方法进一步细分归类和对比分析,总结了每种方法的优缺点和适用场景;然后,对目前常用的缺陷检测结果评价方法做出了描述,进一步探讨了表面缺陷检测应用在实际工业产品检测过程中关键问题——小样本问题,重点剖析了小样本问题的解决方法和无监督学习在解决这类问题上的优势;最后,从提高缺陷检测方法的工业适用性角度展望了下一步研究方向。     

基于机器视觉和深度学习的智能制造缺陷检测技术与应用

在工业智能制造行业中,质量缺陷检测工作面临一定的困难。在传统的物体表面缺陷检测中,人工目测不但过于主观,而且效率低下。基于机器视觉和深度学习的智能检测技术借助光学成像及图像处理等功能,能够准确计算待测物体的坐标信息,然后对物体实施自动定位并引导,同时完成自动装配。该检测技术具备非接触、无损伤、准确性高、连续工作时间长和高效率等优势,是目前智能制造检测较理想的方式。     

基于视觉感知的表面缺陷检测综述

基于视觉感知的表面缺陷检测,具有高效、可防止二次损伤等优点,被广泛应用于各种工业场景中。近年来深度学习技术的快速发展进一步推动了视觉缺陷检测的进步与应用。以特征的显式提取与自动提取为思路,对基于视觉感知的缺陷检测方法进行综述和分析。首先,简要描述了视觉缺陷检测系统的基本构成,将缺陷检测中的视觉感知归为分类、目标检测和分割3个层次。然后,将现有的视觉检测方法分为基于显式特征提取的(传统方法)和基于自动特征提取的(深度学习方法)。进一步,将基于显式特征提取的方法分为统计法、谱方法和模型法3类,将基于自动特征提取的方法分为整图分类的、目标检测的和像素分割的方法。对每一类方法的特点和适用场景进行了归纳总结与分析。同时,针对工业应用中数据获取成本高的问题,介绍了近年来出现的弱监督缺陷检测方法与异常检测方法,并介绍了具有较大影响力的工业表面缺陷数据集。最后,针对如何减少对大量标注数据的依赖和如何提高检测方法在工业现场的适用性两个关键问题展开讨论,展望了该领域下一步的研究方向。     

机器视觉检测滚子表面缺陷

介绍利用机器视觉检测滚子表面缺陷的实验装置。该装置采用512位SSPD列阵作为摄景器件。藉助专门机械装置实现滚子表面全扫描展开,把获得的二维图象信息送PC/AT微机进行图象处理。文中提出了三种图象处理算法:多段平均法、二次背景处理法和局部算子处理法。用上述算法较好地解决了不同精度滚子的表面缺陷检测。附图16幅,参考文献5篇。     

基于深度学习的金属材料表面缺陷检测综述

表面缺陷检测是产品质量检测的关键环节,近年来随着深度学习技术的迅速发展,金属材料表面缺陷检测技术大幅提升。对近几年基于深度学习的金属材料表面缺陷检测方法进行了梳理和分析,并从监督方法、无监督方法以及弱监督方法 3个方面对比论述了近年来的研究现状及应用效果。最后系统总结了金属材料表面缺陷检测中的关键问题及解决方法。结合工业需求,对表面缺陷检测的进一步发展进行了思考与展望。     

透明件表面缺陷的机器视觉检测综述

随着现代科技的发展,透明件几乎运用于各个行业并起着不可或缺的作用,透明件表面质量是衡量其合格与否的一个重要指标,同时机器视觉技术因具有速度快、精度高、成本低、稳定性好等优点被广泛用于透明件表面缺陷的检测.本文主要从图像采集、图像处理和缺陷识别几个环节来介绍透明件表面缺陷的检测,对检测系统的类型,采集图像的处理方法以及实...     

纹理表面缺陷机器视觉检测方法综述

纹理表面缺陷检测在机器视觉领域具有意义和挑战性,其历史可以追溯到20世纪中后期,近年来随着深度学习技术的蓬勃发展,纹理表面缺陷检测技术大幅飞跃。直至今日,关于纹理表面缺陷检测的调研和综述仍然很少。在此背景下,本文回顾2017年-2021年间200余篇纹理表面缺陷机器视觉检测论文,对纹理表面缺陷机器视觉检测研究进展进行了及时、全面的调查;分析了纹理表面缺陷检测的发展历史和最新研究进展,原则上将纹理表面缺陷机器视觉检测方法分为传统方法与深度学习方法,并对二者进行了深层次研究分析,特别是深度学习方法;对近期出现的几种纹理表面缺陷机器视觉检测方法主题进行总结的同时,也对这些主题的研究进展进行了综述。最后,对未来的研究趋势进行了展望,以期为后续研究提供指导和启示。     

基于视觉显著性的太阳能电池片表面缺陷检测

现有基于机器视觉的太阳能电池片表面缺陷检测算法均是采用各种类型的数学模型来进行算法设计,为进一步提高检测准确率,从人眼仿生学角度出发,首次将人眼的视觉注意机制引入到太阳能电池片表面缺陷检测中,提出了一种基于视觉显著性的太阳能电池片表面缺陷检测算法。首先,对输入的太阳能电池片表面图像进行预处理,去除对检测有影响的噪声和栅线;其次,提出一种基于自学习特征的视觉显著性检测算法来大致定位缺陷区域;随后,提出一种视觉显著性和超像素分割相结合的算法来进一步精确定位缺陷区域;最后,通过形态学后处理得到最终检测结果。在包含多种缺陷类型的测试图像库上的主观和客观实验评估表明,该算法具有较高的检测准确率。     

基于机器视觉的齿轮缺陷快速检测

结合齿轮缺陷自身的特点，论述了齿轮缺陷检测系统的构成、图像处理及检测流程，提出了一种基于机器视觉的齿轮缺陷快速检测方法。实例分析表明．该检测系统能够快速、准确地实现齿轮缺陷的检测，满足自动化生产的需要，可在实际生产中代替人工检测；     

汽车制动器总泵活塞表面缺陷的机器视觉检测

分析了汽车制动器总泵活塞表面缺陷特点及其视觉成像难点,设计了一套能自动快速地检测活塞表面缺陷的装置,介绍了机电系统和视觉系统设计的关键技术。对活塞表面微小不规则缺陷的识别方法进行了研究,开发了图像处理和人机交互软件,建立了活塞表面缺陷类型数据库。经样本数量为400的随机抽样实验结果表明,检测无漏检现象发生,误检率不大于2.25%,达到了预期效果。     

基于机器视觉的表面缺陷检测方法研究进展

在半导体、PCB、汽车装配、液晶屏、3C、光伏电池、纺织等行业中,产品外观与产品性能有着千丝万缕的联系。表面缺陷检测是阻止残次品流入市场的重要手段。利用机器视觉的技术进行检测效率高、成本低,是未来发展的主要方向。本文综述了近十年来基于机器视觉的表面缺陷检测方法的研究进展。首先给出了缺陷的定义、分类以及缺陷检测的一般步骤;然后重点阐述了使用传统图像处理方式、机器学习、深度学习进行缺陷检测的原理,并比较和分析了优缺点,其中传统图像处理方式分为分割与特征提取两个部分,机器学习包含无监督学习和有监督学习两大类,深度学习主要囊括了检测、分割及分类的大部分主流网络;随后介绍了30种工业缺陷数据集以及性能评价指标;最后指出缺陷检测方法目前存在的问题,对进一步的工作进行了展望。     

机器视觉在板材表面缺陷检测中的应用

为检测木工板材表面缺陷,采用3D智能相机获取包含灰度图和高度图的三维图像。通过比较,选择高度图作为研究对象。应用均值滤波和动态阈值分割方法检测板材表面的大缺陷特征,应用高斯滤波和全局阈值分割方法检测板材表面的小缺陷特征。对缺陷特征进行了开运算和闭运算等形态学处理以提高识别缺陷位置和大小等数据的准确度。实验表明:该方式能够准确识别出满足工厂工艺要求的板材表面缺陷,经坐标标定后,可给出缺陷的大小和位置信息,为修复设备实现缺陷的定点修复奠定了数据基础。     

基于机器视觉的笔芯球珠表面缺陷检测系统研究

针对笔芯球珠表面缺陷检测识别问题,设计并实现了基于机器视觉的笔芯球珠表面缺陷检测系统。笔芯球珠在球面展开机构作用下,通过图像采集模块获取5张可以完全覆盖整个球面的图像。通过对每幅图像进行缺陷图像提取后,采用基于轮廓角点匹配的方法实现对每幅图像中缺陷图像的拼接;基于提取的有效特征组合通过KNN分类算法对完整的缺陷图像进行缺陷识别。试验结果表明,该方法能够对笔芯球珠表面缺陷进行精确有效的检测与识别。     

基于视觉的输电线路金具锈蚀缺陷检测方法研究进展

输电线路金具的表面锈蚀作为常见的缺陷类型,是危害输电线路安全运行的重要隐患之一,如何快速、准确地发现锈蚀 的金具设备并进行修复是线路巡检运维工作亟待解决的问题。 本文综述了近十年来基于视觉的输电线路金具锈蚀缺陷检测方 法的研究进展。 首先简述了基于传统图像处理的金具锈蚀缺陷检测流程;然后按照基于传统图像处理、深度学习方法概述了金 具设备锈蚀缺陷检测,重点阐述了基于深度卷积神经网络的目标检测和语义分割算法在输电线路金具锈蚀缺陷检测中的应用; 随后介绍了基于深度学习的金具锈蚀缺陷检测自建数据集以及性能评价指标;最后指出了基于深度学习的输电线路金具锈蚀 缺陷检测方法目前存在的问题,并对未来研究工作进行了展望。     

电源方针智能视觉检测与筛选系统研究

为了解决一种电源方针外观缺陷人工检测效率低、一致性差的问题,设计一种基于机器视觉和深度学习相结合的智能视觉检测系统。首先,采用KNN实现颜色分类;其次,利用sobel算子实现轮廓差异检测;最后,利用Googlenet网络进行划痕、麻点等缺陷分类。通过实际筛选试验,将本文提出的方法与标准Googlenet模型检测结果进行对比,本文提出的方法对于不可接受缺陷检出率高达100%,提升了3%,有效地实现了电源方针智能检测与筛选,具有良好的推广价值。     

基于语义分割的纸质包装产品表面缺陷检测

针对工业生产中纸质包装产品表面缺陷检测主要依赖人工,效率低下且检测精度无法保证等实际问题,采用一种基于深度学习中语义分割任务的表面缺陷检测方法。以包装纸盒表面缺陷图像数据为例,根据分割任务需求,从结构上改进Unet算法,并基于OpenMMLab开源计算机视觉算法体系中mmsegmentation语义分割工具箱模块,配置DeepLabV3+、Unet、改进Unet三种图像分割算法环境,分别训练迭代相同次数,对比分析分割检测结果以及对验证集图像的预测效果,可以证实改进Unet算法分割性能得到提升,能更好地检测出纸质包装产品表面的深度划痕缺陷;而DeepLabV3+算法性能相对最优,能更好地检测出纸质包装产品表面的破损缺陷,这对于实现纸质包装产品表面缺陷的自动检测具有一定意义。     

一种基于机器视觉的表面缺陷快速检测方法

实际生产过程中,产品表面会不同程度地留下污渍和印记,这对基于机器视觉的表面缺陷识别带来严重干扰.基于图案统计分析的识别方法速度虽快,但抗干扰能力弱,出现较高的误判率.基于深度学习的人工智能识别方法计算量巨大,速度慢,难以满足生产实际的高速要求.因此介绍一种改进SIFT算法,并给出了相关参数的设置方法和经验公式,通过实际表面缺陷的检测,对比验证了SIFT算法较强的鲁棒性和抗干扰能力,以及相关参数设置方法的正确性和可行性.实验数据表明,SIFT算法在凹陷类和斑点类缺陷的检出率上具有明显优越性,在裂纹类的误检率上也具有较大优势.特别是在有噪声图像干扰情况下,检出率比神经网络提升了20％,误检率降低了3％.     

基于机器视觉的玻璃缺陷检测

随着科学技术的进步,高端显示屏产品对平板玻璃的质量要求越来越高,玻璃的表面缺陷检测技术也因此备受关注。传统的人眼检测方法工作量大且准确率低,已经无法满足生产实际要求。研究了一种基于机器视觉的玻璃质量检测系统,采用先进的CCD成像技术和背光式照明获取图像,用MATLAB图像处理工具箱对采集到的图像进行灰度值化、滤波降噪和阈值分割处理,实现对缺陷区域的特征提取和识别。最后用BP神经网络对玻璃表面的三种缺陷进行分类,该神经网络识别的平均误差率为9.84%,表明此检测方法具有一定的应用价值。     

基于机器视觉的太阳能电池片缺陷检测算法综述

太阳能电池片（Photovoltaic, PV）表面缺陷检测是光伏组件生产中不可或缺的流程。基于机器视觉的自动缺陷检测方法因其高精度、实时性、低成本等优点得到了广泛应用。本文综述了基于机器视觉的太阳能电池片表面缺陷检测方法的研究进展。首先,阐述了太阳能电池片表面成像方式,列举了典型缺陷类型。然后重点分析了基于传统机器视觉算法及基于深度学习算法进行太阳能电池片表面缺陷检测的原理。将传统机器视觉算法分为图像域分析法、变换域分析法进行综述;从无监督学习、有监督学习和弱监督及半监督学习三个方面分别概述了近几年来基于深度学习的太阳能电池片表面缺陷检测的研究现状。对太阳能电池片表面缺陷检测各种典型方法进一步细分归类和对比分析,总结了每种方法的优缺点。随后,介绍了9种太阳能电池片表面缺陷图像数据集及缺陷检测性能评价指标。最后,系统总结了太阳能电池片缺陷检测常见的关键问题及其解决方法,对太阳能电池片表面缺陷检测的未来发展趋势进行了展望。