1. 传统方式一般步骤为图像采集、图像预处理（去噪增强等）、图像分割、特整提取及分类识别。
2. 本文主要概括了 图像分割 和 特征提取
3. 图像分割：阈值分割、边缘检测、区域生长
4. 特征提取：从颜色、纹理、形状
   （由于作者仅研究深度学习方向，故此部分暂不深入研究，读者感兴趣可根据下图或原文献做进一步研究）
   
   

不借助任何人工成本的情况下，根据相似性自行分类
无监督特征学习、聚类和概率密度

从 ⽆标签的数据 中，挖掘出有效的数据特征或表示
主要⽅法有 主成分分析、稀疏编码法、⾃编码器 等

聚类是按照⼀定的规则对样本进⾏划分，是⼀种 分类问题 (41-43)

-密度估计通过 样本的分布 来估量其与各个分组之间的相似性
-表面缺陷检测主要有4种: 深度信念网络、生成对抗网、变分自编码器、玻尔兹曼机

1. 深度信念网络(deep belief network，DBN) 是⼀种 概率有向图 模型。既可⽤于⽆监督学习和有监督学习，此处应⽤均为⽆监督学习（43）
2. 生成对抗网络(deep adversarial network, GAN) 通过特殊的训练方式生成接近真实数据分布的框架（44-46）
3. 变分自编码器(variatonal auto encoder，VAE) 包含推断⽹路和⽣成⽹络，可将推断⽹络看作“编码器(encoder)”，⽣成⽹络看作“解码器(decoder)”（47）
4. 玻尔兹曼机(Boltzmann machine，BM) 是⼀种 随机神经⽹路 ，在实际应⽤中，使⽤较⼴泛的是 受限玻尔兹曼机(restricted Boltzmann machine，RBM) （48）

• GAN和VAE多用于解决数据不平衡；BM结构复杂且效率低，故未大量使用
• ⽆监督学习并没有像有监督学习那样获得⼴泛的成功，其主要原因在于 无监督学习难以衡量其好坏 ，因为缺少有效的客观评价⽅法
  

3类：非概率模型、概率判别模型、生成模型

此方法解决途径比较直接，关键在于最优化的求解。
表面缺陷检测有3种： 多层感知机、支持向量机、K近邻

1. 多层感知机(multilayer perception，MLP) 是⼀种前ANN，可以处理 ⾮线性可分 的问题（49-52）
2. K近邻(K-nearest nerghbor, KNN) 是在 某⼀范围内 找到与样本 相似 的⽬标(53-57)
3. 支持向量机（support vector machine，SVM） 是⼀种经典的 ⼆分类 的⼴义线性分类器；关键在于 核函数 的选择；为 提高分类精度 可与其他算法相结合（55.56.58.59）

• 在使⽤ 非概率模型 进⾏表⾯缺陷检测时，⼤部分模型都是⽤来对缺陷进⾏ 分类 ，其中 多层感知机 除了⽤于分类，还可⽤于 表征缺陷[60]、分割[52]、及定位[61] 。对于⽀持向量机的优化主要在于结合其他⽅法以提升分类性能；⾮概率模型中， SVM 的性能较其他⽅法 性能更佳

概率判别模型间接的 使用条件概率 进⾏判别
在表⾯缺陷检测中有4种: 决策树、逻辑回归、最大熵模型、条件随机

⽣成模型与上述⾮概率模型!概率判别模型相⽐，解决问题的途径相对间接;先求解，然后利⽤ ⻉叶斯定理 进⾏判别
在表⾯缺陷检测中有3种: 朴素⻉叶斯、受限玻尔兹曼机、隐马尔可夫模型

1. 朴素贝叶斯(naive Bayes，NB) 是在 特征条件独⽴ 假设下运⽤⻉叶斯定理进⾏分类的⽅法 （69）
2. 受限玻尔兹曼机(restricted Boltzmann machine，RBM)是⼀种随机⽣成的**ANN[70]**除了⽤于⽆监督学习，也可⽤于有监督学习(70-72)
3. 隐⻢尔可夫模型(hidden Markov model,HMM)是结构最简单的 ⻉叶斯⽹ （73）

• 综上，从⽂献的年代可以看出，使⽤ 有监督学习 的⽅法是表⾯缺陷检测近年来的 研究热点 ，还具有很⼤的发展空间

本文主要总结缺陷检测中的DNN。是基于端到端的网络，将特征提取、选择和分类融合在一起[74]。
有4种：分类、检测、分割和轻量化DNN
下图为部分网络的对比

基于深度学习的表⾯缺陷检测⽹络⼤都使⽤ VGG、GoogleNet、ResNet 等作为“Backbone”,其通常被⽤于 特征提取和分类

根据网络中是否有候选框，分为：单阶段和双阶段
单阶段 ：输入图像、输出备选框和分类一体化完成
双阶段 ：一半选择备选框，一半对备选框进行判断

1. 双阶段网络： Faster R-CNN 是双阶段⽹络中的代表， 检测速度 较前两代有很⼤的提升（83-91）
2. 单阶段网络：包含 SSD（single shot multiBox detector） 和 YOLO（you only look once） 两种。两者都是只用一个网络同时区域检测和输出（92-97）

• 单阶段速度快，双阶段精度高

主要是区分缺陷与非缺陷
实例分割在语义分割的基础上，还可对缺陷进行 定位、分类

FCN、SegNet、DeepLab系列、U-Net

1. 全卷积网络（Fully Connvolutional Networks，FCN） 是最初提出的语义分割网络，可以 融合多层信息 （98-103）
2. SegNet 在FCN的基础上增添了 解码器 ，是由卷积层组成的语义分割网络（104.105）
3. DeepLab系列 解决了FCN分割结果粗糙的问题，更注重 细节 (106)
4. U-Net 是一种具有编码-解码结构的U型网络（107-110）

在语义分割的基础上，区分出同类的不同实例

1. Mask-R-CNN 是实例分割中最常见，最具有代表性的网络（111.112）

• 使用语义分割时，将缺陷检测看作二分类问题； 实例分割 处理 多种类 的缺陷
• 分割网络相比于分类和检测网络，缺陷信息特征提取上有优势，但需大量数据
  

保证精度 的情况下， 提高精度和减小体积
此方法在缺陷检测中的应用还不是很多

1. MobileNet系列 其核心是 深度可分离卷积 ，有3个类型V1、V2、V3（95-97.113）
2. SqueezeNet 结合GoogLeNet与VGG，提出Fire模块并堆叠使用（114.115)
3. EfficientNet 结合MobileNetV2与SENet，可同时对网络宽度、深度和图像尺寸调整（116-118）

• 其他轻量级：分类网络ShuffleNet；检测网络Liight-Head R-CNN、ThunderNet、YOLO-Fastest、CSPNet；分割网络：BiSeNet、DFANet