摘要
近年来,基于深度学习的表面缺陷检测技术广泛应用在各种工业场景中.本文对近年来基于深度学习的表面缺陷检测方法进行了梳理,根据数据标签的不同将其分为全监督学习模型方法、无监督学习模型方法和其他方法三大类,并对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和应用场景.本文探讨了表面缺陷检测中三个关键问题,介绍了工业表面缺陷常用数据集.最后,对表面缺陷检测的未来发展趋势进行了展望.
In recent years,surface defect detection techniques based on deep learning have been widely used in various industrial scenarios.This paper reviews the latest works on deep learning based surface defect detection methods.They are classified into three categories:full-supervised learning model method,unsupervised learning model method and other methods.The typical methods are further subdivided and compared.The advantages and disadvantages of these methods and their application scenarios are summarized.This paper analyzes three key issues in surface defect detection and introduces common data sets for industrial surface defects.Finally,the future development trend of surface defect detection is predicted.
作者
陶显
侯伟
徐德
TAO Xian;HOU Wei;XU De(Research Center of Precision Sensing and Control,Institute of Automation,Chinese Academy of Sciences,Beijing 100190;School of Artificial Intelligence,University of Chinese Academy of Sciences,Beijing 101408)
出处
《自动化学报》
EI
CAS
CSCD
北大核心
2021年第5期1017-1034,共18页
Acta Automatica Sinica
基金
国家自然科学基金(61703399,61703398,61973302,61673383)资助。
关键词
深度学习
表面缺陷检测
机器视觉
卷积神经网络
Deep learning
surface defect detection
machine vision
convolutional neural network(CNN)
作者简介
通信作者:陶显,中国科学院自动化研究所副研究员.2016年获得中国科学院自动化研究所博士学位.主要研究方向为机器视觉,缺陷检测和深度学习.E-mail:taoxian2013@ia.ac.cn;侯伟,中国科学院大学人工智能学院博士研究生.2009年和2014年分别获得兰州大学学士和硕士学位.主要研究方向为缺陷检测,计算机视觉,图像处理和机器学习.E-mail:houwei2018@ia.ac.cn;徐德,中国科学院自动化研究所研究员.1985年和1990年分别获得山东工业大学学士和硕士学位.2001年获得浙江大学博士学位.主要研究方向为机器人视觉测量,视觉控制,智能控制,视觉定位,显微视觉,微装配.E-mail:de.xu@ia.ac.cn。
