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。