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。     

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。     

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。     

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。     

基于深度学习的太阳能电池片表面缺陷检测方法分析

随着太阳能、地热能等可再生能源的广泛应用,光伏行业取得了迅猛发展,光伏行业对太阳能组件的要求也越来越高。基于此,本文以太阳能电池片作为研究对象,对其表现缺陷检测方法进行分析,首先对深度学习技术进行了简单的介绍,然后将深度学习技术作为基础,给出了一种全新的太阳能电池片表面缺陷检测方法,利用电致发光缺陷检测仪的检测原理进行检测系统的设计,实现了太阳能电池片表面缺陷准确且高效的检测。     

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。     

无缝钢管斜轧穿孔顶头表面缺陷非接触在线检测方法

针对无缝钢管斜轧穿孔顶头表面缺陷在线检测的现实需求，提出了一种基于激光扫描、空间点云数据处理及深度学习的非接触测量方法。根据无缝钢管产线特点确定了检测位置、系统构成和顶头轮廓数据采集方案，并引入迭代最近点（ICP）配准方法，实现了测量点云与标准CAD模型的配准。针对头部缺陷设计了相应的分类数集和渐变形态，使用点云深度学习方法实现了缺陷精确分类和量化预警。针对表面磨损缺陷，设置磨损深度上限阈值以实现磨损程度的精确监测。为验证系统可靠性，搭建了顶头检测物理模拟平台，并利用3D打印技术定制了含有不同缺陷特征的顶头实物模型。测试结果表明，表面轮廓检测误差在0.06 mm以内，头部缺陷分类精度可达97.7%、准确度可达98.1%，满足在线检测要求。     

金属材料表面缺陷和残余应力的激光超声无损检测研究

无损技术指的是在非损害的情况下对各类工件以及材料所进行的检测,并且评估产品性能的综合性技术,激光超声因为具备了传统检测手段所不具备的优势,从而被各界广泛关注。在搜集相关文献资料以及总结实践经验的基础上,对金属材料表面缺陷以及残余应力检测展开了系统阐述,从光学检测法、电学检测法两个方面研究了激光超声无损检测的方法,旨在提升金属材料表面缺陷以及残余应力检测的水平。     

基于联合对抗训练的深度学习表面缺陷检测方法

表面缺陷检测是确保产品质量的重要途径。深度学习在表面缺陷检测中已经得到了大量应用,并为实现自动化的表面缺陷检测提供有效的技术途径。然而,深度学习模型容易受到对抗攻击的威胁,进而严重影响其准确性,甚至造成模型失效。为提升深度学习模型对对抗攻击算法的防御能力,基于对抗训练提出新的基于联合对抗训练的深度学习模型。对抗攻击算法包括单步攻击算法和迭代攻击算法,为提升所提联合对抗深度学习模型的防御能力,在对深度学习模型训练时即同时添加不同对抗攻击算法生成的对抗样本,同时增强模型对单步对抗攻击算法和迭代对抗攻击算法的防御能力。为验证所提算法的有效性,所提算法以CIFAR10和磁瓦表面缺陷数据集为基础进行验证。试验结果表明,所提的联合对抗训练深度学习模型能显著提升对单步对抗攻击与迭代对抗攻击的鲁棒性,并优于传统方法。     

基于视觉感知的表面缺陷智能检测理论及工业应用

由于在工业产品质量监控中不可比拟的优势,基于视觉感知的表面缺陷检测近年来得到了很多研究者的持续关注,且已广泛应用于不同工业领域,包括汽车工业、半导体加工、玻璃制造、钢铁冶金等。AI学习算法与视觉传感技术的飞速发展为表面缺陷检测研究带来了新的机遇与挑战。综述了基于视觉感知的表面检测研究中的主要方法与进展,重点介绍了图像处理、几何深度学习、面向目标检测的深度学习等方向的研究现状,这些研究有望为表面缺陷智能检测技术的发展带来突破。讨论了工业图像检测与识别在钢铁冶金、大气污染监测以及航空发动机缺陷检测3个领域的应用。最后,提出了值得研究的挑战性问题。     

基于DSSD模型的机械加工件表面缺陷检测研究

针对机械加工件表面缺陷检测问题,对工件表面缺陷种类、缺陷位置进行了研究,对深度学习中的目标检测算法进行了归纳分析,提出了一种基于DSSD模型的机械加工件表面缺陷检测方法.该方法首先利用扫描电子显微镜获取了不同工件、不同位置的表面缺陷图像,建立了工件表面缺陷数据集,并对数据集进行了扩充;然后将DSSD网络模型反卷积模块的...     

基于YOLOv3的轴表面荧光磁粉缺陷检测

在荧光磁粉缺陷检测中,为快速有效地对金属轴上的点状、线型以及摩擦型缺陷进行分类检测,引入了深度学习技术,并与图像处理技术结合设计了一种改进型金属轴表面缺陷检测系统,克服了传统识别方式人工选定处理区域的局限性。利用基于YOLOv3算法的神经网络模型,对CCD相机获取的轴表面图像数据集进行训练和测试,对不同缺陷进行精确目标识别;采用图像处理技术对识别的目标进行缺陷定量分析。实验结果表明:该方法对不同缺陷类型能进行有效识别,在检测精度与检测效率上具有较高的提升。     

基于数学形态学的超声信号盲区内缺陷特征提取方法

利用高频聚焦超声技术检测金属材料内部缺陷时,由于超声探头存在盲区,无法对近表面的缺陷进行准确定位,从而难以对材料的性能进行有效评估。因此,提出基于数学形态学的超声信号盲区内缺陷特征提取方法。采用扁平结构元素对盲区信号进行形态滤波,在提取出缺陷的特征信号后,通过计算特征信号的累积能量,由此可以定位出缺陷的深度位置。在实测中,利用100 MHz的高频超声探头对冷轧镀锌板进行检测分析。以长度为30的扁平结构元素对超声信号做形态滤波,对距离冷轧镀锌板上表面288.5μm的缺陷进行定位,得到缺陷位置为距离上表面275.6μm,相对误差为4.5%。为进一步验证方法的有效性,与小波包分解重构方法进行比较,结果表明:利用数学形态学方法对缺陷的定位误差更小,同时还改善了超声B扫成像的效果,使得缺陷特征更加凸显。     

基于深度学习的制造业产品缺陷检测技术分析

在生产过程中,缺陷检测环节是产品质量控制的最后保障,具有举足轻重的地位。首先,对产品缺陷进行分类,介绍当前的主流技术和深度学习方法。其次,对比分析超声检测、滤波、深度学习、机器视觉和其他缺陷检测应用技术。最后,阐述基于深度学习的产品缺陷检测技术的具体应用。     

基于深度学习的飞机蒙皮缺陷检测研究

在飞机的飞行过程中,蒙皮表面会出现裂纹、撞击和腐蚀的问题,不仅降低了飞机的使用寿命,而且还对飞行人员造成安全威胁.为了准确实时检测表面缺陷,提出了基于深度学习的飞机蒙皮缺陷检测的方法.首先利用对抗生成网络DCGAN对预处理后的缺陷图像进行增强训练,得到庞大的样本集,接着使用基于Faster R-CNN的深度学习算法进行...     

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。     

基于变型波的超声TOFD近表面检测新方法

为了解决传统衍射时差法超声检测技术(TOFD)法对埋藏在近表面的缺陷波无法辨识及近表面区域的测量误差大、深度分辨力差等近表面盲区问题,提出了一种新的近表面检测方法。该方法利用变型波波速较慢的特点,通过计算变型波、直通波及底面反射波,得出了变型波在纵波检测窗口出现的条件,并利用变型波对缺陷进行检测,以减小测量误差并提高检测分辨力,有效地解决了TOFD近表面盲区问题。在10个不同深度的人工缺陷中,对采用基于变型波的检测方法和传统检测方法的实验结果进行了比较和分析,并分别计算了其测量误差及检测分辨力。实验结果表明,该方法能够识别传统方法无法辨识的近表面缺陷,可有效检测到埋藏深度2.0 mm的人工缺陷,同时,该方法具有较高的测量精度和分辨力。     

基于机器视觉的透明塑料件缺陷检测

在实际的产品生产当中,由于各种不确定因素的影响,容易导致产品表面出现缺陷,严重影响产品的外观和性能,因此,在线缺陷检测成为了生产过程中必不可少的环节。以机器视觉为基础方法,分别使用基于SVM机器学习方法和基于Faster R-CNN深度学习方法对透明塑料件进行缺陷的识别与定位,并对两者的检测效果进行比较和分析。实验结果表明,基于Faster R-CNN的缺陷检测方法的准确率为90%,比基于SVM缺陷检测方法高20%,验证了基于深度学习的缺陷检测方法的优越性。     

超声锁相热像技术检测接触界面类型缺陷

为了提高超声锁相热像技术(ULT)的检测效率并获得最佳检测结果,对超声波调制、热图序列处理和检测参数选择进行了研究。阐述了超声锁相热像技术的检测原理并进行了理论分析,建立了ULT的检测系统。采用方波调制的超声波激励试件,用红外热像仪记录试件表面热图,并用瞬态处理方法对热图进行锁相处理得到相位图和幅值图实现对缺陷的检测。用该方法检测了钢板表面及近表面的微裂纹(微米级)和铝合金板内不同深度缺陷等接触界面类型缺陷。结果表明,检测A3钢板材料表面(近表面)裂纹时,调制频率可选择0.5Hz,接触压力约0.25kN,激励头与微裂纹的距离对检测结果几乎无影响,激励位置可根据试件结构而确定;由于降低调制频率可提高缺陷的检测深度,检测铝合金材料时,调制频率≤0.3Hz能够探测到4mm深度的缺陷;另外,该方法能够准确检测蜂窝夹层结构的脱粘缺陷。研究表明,研制的检测系统数秒内即可完成对接触界面类型缺陷的准确检测。