历史上的今天
今天是：2025年05月27日（星期二）
2021年05月27日 | 工业生产中的表面缺陷检测
2021-05-27 来源：OFweek机器人网
表面缺陷检测在工业生产中起着非常重要的作用，基于机器视觉的表面缺陷检测可以极大的提升工业生产的效率。随着近年来深度学习在计算机视觉领域的发展，卷积神经网络在诸多图像任务上都取得了显著的效果，然而这些方法往往是需要大量标注数据的有监督学习。在实际的工业场景中，缺陷样本往往是难以收集的，而且标注的成本也十分巨大。
机器视觉可以替代人眼进行检测，但在实际应用中仍面临很多挑战，尤其是近几年的传统图像算法解决方案基于经验手工设计，算法存在精度较低且不够鲁棒的问题，特别是在诸如打光、形变、失真和遮挡等复杂的场景中。现今深度学习在特征提取方面有着亮眼的表现，在诸多有监督的任务上都取得了优质的表现，例如分类、目标检测和图像分割。
同时，近年来也涌现了不少用卷积神经网络来进行缺陷检测的方案，其中最常见的是直接利用目标检测网络如Faster RCNN或者SSD对缺陷进行定位和分类。也有先用目标检测进行粗定位，然后用FCN进行语义分割得到精确定位的方法，这种方法可以得到缺陷的精准轮廓，但是这些方法都属于有监督的学习，在实际的工业应用中存在以下问题：
缺少缺陷样本：在实际应用中，用于训练的缺陷样本往往是非常稀少且难以获取的。因此在训练过程中正负样本是非常不均衡的，这极大的限制了模型的性能，甚至导致模型完全不可用。在缺陷外观多变的场景下，有监督学习的方法往往无法满足正常的生产需求。
人工标注成本高昂：实际的工业缺陷检测场景中，通常存在许多不同种类的缺陷，检测的标准和质量指标往往也不同。这就需要人为标注大量的训练数据来满足特定需求，这需要付出大量的人力资源。
所以目前不断有学者提出基于正样本训练的缺陷检测方法。训练过程中只需要提供足够的正样本，无需缺陷数据和手动标注，也可以取得较好的缺陷检测效果，具有较高的应用价值。
史海拾趣
|
如何能提高 DSP 底层驱动能力， 在使用TI OMAP5912 做开发MCBSP,SPI和GPIO等时感觉只能调试例程，可自己却些不出来？ TI提供了支持包CSL，所以现在只会用CSL的API。 比如： 在写SPI驱动时，只要完成几个简单API调用，最后进行读写就OK了；可对驱动的思路却很欠缺，很多时候思维一片空白，恐怖啊? 交流吧，兄弟。… 查看全部问答＞ |
|
一直搞不清这个概念，只知道工业以太网实时性强一些。但具体应用时还是不知道如何构建所谓的工业以太网。我们常用的DM9000A是否属于工业以太网？ STM32F107呢？是属于工业以太网芯片么？… 查看全部问答＞ |
|
发现执行nop指令会打断看门狗喂狗。 譬如，我的延时函数如下： void Delay(u16 x) { while (x--) { u8 Temp; for (Temp = 0; Temp < 100; Temp++) { &n ...… 查看全部问答＞ |