|
|
工业场景中缺陷检测的算法探讨
工业场景中缺陷检测的算法探讨
工业现场的产品缺陷检测,一项重要的不可缺少的环节,除了通过仪器仪表做的检测,还有很多情况下,同时视觉检测产品的缺陷和瑕疵. 这个时候,计算机视觉的人工智能技术就可以发挥它的作用,替代或者辅助人员做产品的质检,实现无人化,高速检测,高精度检测的任务.
我们正在做这方面的技术研究和探索,下一步将开展通用产品的缺陷检测的算法和产品的研发和测试.
所以说,在工业场景中,生产技术密集型企业,连续生产产线上等场合,通过增加机器视觉的缺陷检测环节,可以大幅减少人工,提升品控效率,提高生产率和良品率,最终增加产品附加值.
相比于目前人工智能在其他一些领域的应用,在工业现场的基于计算机视觉的缺陷检测,瑕疵检测的人工智能技术应用,更加接地气,更加能直接给企业带来价值.
下面我针对工业现场的不同场景,基于算法的角度,做一下缺陷检测的探索工作.
检测对象：适合于目标对象为平面的表面缺陷检测:如布匹缺陷,金属表面缺陷,产品外表面的缺陷和瑕疵检测等.
主要通过对输入图像进行切片，然后把切片图像送入深度学习网络中做判断，做图像分类训练。在推理时，通过滑窗检测方式进行逐位置识别。
1、 由于使用分类方式，准确率较为高
2、 由于滑窗遍历，速度慢
Automatic Defect Detection of Fasteners on the Catenary Support Device Using Deep Convolutional Neural Network（基于深度卷积网络的接触网支架紧固件缺陷自动检测）
检测对象:适合复杂外形的支架和关键固件和连接件的缺陷检测,比如:高压输电线路的巡检,大型器械的连接件的检测等等.
Automatic Fabric Defect Detection with a Multi-Scale Convolutional Denoising Autoencoder Network Model（基于多尺度卷积消噪自编码网络模型的织物疵点自动检测）
检测对象：纺织物和布匹的瑕疵点检测。
主要思想：织物疵点检测是纺织制造业质量控制中必不可少的环节。传统的织物检测通常采用人工视觉的方法进行，效率低，长期工业应用精度差。论文提出使用高斯金字塔结合语义分割的方式来重建缺陷，推理阶段通过结合多尺度结果，完成融合。这种方法在织物疵点检测中有几个突出的优点。首先，只需少量的无缺陷样本就可以进行训练。这对于收集大量有缺陷样品困难且不可行的情况尤其重要。其次，由于采用了多模态积分策略，与一般的检测方法相比，该方法具有更高的鲁棒性和准确性。第三，根据我们的结果，它可以处理多种类型的纺织面料，从简单到复杂。实验结果表明，该模型具有较强的鲁棒性和良好的整体性能。
模型结构：
Automatic Metallic Surface Defect Detection and Recognition with Convolutional Neural Networks
检测对象：金属表面缺陷检测
主要思想： 用一种能准确定位和分类从实际工业环境中获取的输入图像中出现的缺陷的双重过程来自动检测金属缺陷。设计了一种新的级联自动编码器（CASAE）结构，用于缺陷的分割和定位。级联网络将输入的缺陷图像转化为基于语义分割的像素级预测掩模。利用压缩卷积神经网络（CNN）将分割结果的缺陷区域划分为特定的类。利用工业数据集可以成功地检测出各种条件下的金属缺陷。实验结果表明，该方法满足金属缺陷检测的稳健性和准确性要求。同时，它也可以扩展到其他检测应用中。
其实还是使用语义分割网络先定位像素级别的缺陷位置，然后通过分类网络对缺陷进行识别。
在训练阶段，x是从训练集中随机拍摄的随机照片。C（x∼| x）是一个人工缺陷模块。它的功能是自动生成损坏的、有缺陷的样本，x∼是它的输出。EN和DE构成一个自动编码器，EN是一个编码器，DE是一个解码器，整个自动编码器在G an模型中可以看作是一个生成器。G的任务是修复有缺陷的图片。D是一个鉴别器，D的输出是它的鉴别器是真正样本的概率。
在测试阶段，我们将测试图像x输入到自动编码器G中，得到恢复图像y，然后使用LBP算法提取x和y的特征，并比较x的每个像素的特征，其中x和y的特征差异较大，即缺陷。
实验结果：
Segmentation-based deep-learning approach for surface-defect detection
检测对象：表面缺陷检测、裂纹检测（金属）
主要思想：本文主要采用了两个网络，一个是判别网络，一个是分割网络。分割网络主要完成缺陷的分割，而判别网络在此基础上对缺陷作进一步分类。
SDD-CNN: Small Data-Driven Convolution Neural Networks for Subtle Roller Defect Inspection（小数据驱动卷积神经网络在轧辊微小缺陷检测中的应用）
检测对象：轧辊微小缺陷检查
主要思想：滚柱轴承是旋转机械中最关键、应用最广泛的部件之一。外观缺陷检测是轴承质量控制的关键。然而，在实际工业中，轴承缺陷往往是极其细微的，并且发生的概率很低。这就导致了正负样本数量的分布差异，使得依靠数据驱动的检测方法难以开发和部署。本文提出了一种用于轧辊微小缺陷检测的小数据驱动卷积神经网络（SDD-CNN）一种用于小数据预处理的集成方法。首先，应用标签膨胀（LD）来解决类分布不平衡的问题。其次，提出了一种半监督数据增广（SSDA）方法，以更有效和可控的方式扩展数据集。该方法通过训练一个粗糙的CNN模型来生成地面真值类激活，并指导图像的随机裁剪。第三，介绍了CNN模型的四种变体，即SqueezeNet v1, Inception v3,VGG-16, and ResNet-18，并将其用于轧辊表面缺陷的检测和分类。最后，进行了一系列丰富的实验和评估，表明SDD-CNN模型，特别是SDD Inception v3模型，在滚筒缺陷分类任务中执行得非常好，top-1精度达到99.56%。此外，与原始CNN模型相比，SDD-CNN模型的收敛时间和分类精度都有显著提高。
网络结构：