近年來，隨著深度學習的快速發(fā)展，基于卷積神經網(wǎng)絡(CNN)的計算機視覺技術在工業(yè)領域得到了廣泛的應用。目前，機器視覺表面缺陷檢測是CNN在工業(yè)上最成熟的應用之一。接下來我們將介紹深度學習在表面缺陷檢測領域的概述。

01

缺陷檢測問題的定義

1.1 缺陷的定義

當前對于缺陷有兩種認知的方式，第一種是有監(jiān)督的方法，也就是體現(xiàn)在利用標記了標簽(包括類別、矩形框或逐像素等)的缺陷圖像輸入到網(wǎng)絡中進行訓練. 此時"缺陷"意味著標記過的區(qū)域或者圖像。第二種是無監(jiān)督的方法，就是將正常無缺陷的樣本進行學習，學習正常區(qū)域的特征，網(wǎng)絡檢測異常的區(qū)域。

1.2 缺陷檢測任務

缺陷檢測的任務大致分為三個階段分別是缺陷分類、缺陷定位、缺陷分割，如下圖所示，缺陷分類需要分類出缺陷的類別（異色、空洞、經線）；缺陷定位不僅需要獲取缺陷的類別還需要標注出缺陷的位置；缺陷分割將缺陷逐像素從背景中分割出來。

02

表面缺陷檢測的深度學習方法

根據(jù)缺陷檢測的三個階段其方法大致可以分為三類分別是分類網(wǎng)絡、檢測網(wǎng)絡、分割網(wǎng)絡。

2.1分類網(wǎng)絡

由于CNN強大的特征提取能力, 采用基于CNN的分類網(wǎng)絡目前已成為表面缺陷分類中最常用的模式一般來說,現(xiàn)有表面缺陷分類的網(wǎng)絡常常采用計算機視覺中現(xiàn)成的網(wǎng)絡結構, 包括AlexNet, VGG, GoogLeNet,ResNet, DenseNet, SENet, ShuteNet,MobileNet等。利用分類網(wǎng)絡結合上滑動窗口的方式可以實現(xiàn)缺陷的定位。

Deep learning-based crack damage detection using convolutional neural networks

檢測對象：混凝土裂縫 主要方法：最早采用基于滑動窗口的CNN分類網(wǎng)絡實現(xiàn)了裂紋表面缺陷定位, 兩種滑動窗口冗余路徑結合實現(xiàn)圖像全覆蓋, 如圖所示, 圖中(a)為滑動窗口路徑示意圖, 圖中(b)為裂紋定位的結果圖。

A fast and robust convolutional neural network-based defect detection model in product quality control 檢測對象：布匹缺陷 主要方法：作者使用一個多層的CNN網(wǎng)絡對布匹缺陷數(shù)據(jù)集中的六類缺陷樣本進行分類，分類結束之后，對于每一類樣本進行缺陷檢測。具體做法是：1.使用滑動窗口的方法在512×512的原圖上進行采樣，采樣大小為128×128；2.對上部分每一類圖像采樣后的小圖像塊進行二分類（有缺陷和無缺陷）。下圖為文章兩次分類使用的CNN網(wǎng)絡，兩次分類的區(qū)別在于：1.全連接層的輸入分別為6和2；2.輸入的圖像尺寸不同。

滑動窗口：

2.2 檢測網(wǎng)絡

目標定位是計算機視覺領域中最基本的任務之一, 同時它也是和傳統(tǒng)意義上缺陷檢測最接近的任務, 其目的是獲得目標精準的位置和類別信息。目前, 基于深度學習的目標檢測方法層出不窮, 一般來說, 基于深度學習的缺陷檢測網(wǎng)絡從結構上可以劃分為: 以Faster R-CNN為代表的兩階段(two stage)網(wǎng)絡和以SSD或YOLO為代表的一階段(one stage)網(wǎng)絡。兩者的主要差異在于兩階段網(wǎng)絡需要首先生成可能包含缺陷的候選框(proposal), 然后在進一步進行目標檢測。一階段網(wǎng)絡直接利用網(wǎng)絡中提取的特征來預測缺陷的位置和類別。

TDD-net: atiny defect detection networkforprinted circuit boards

檢測對象：PCB缺陷

主要方法：作者提出了一種針對PCB表面缺陷檢測網(wǎng)絡(TDD-Net), 該方法通過使用k均值聚類設計合理錨框大小, 其次引入多尺度金字塔網(wǎng)絡（FPN）到Faster RCNN中, 加強了來自底層結構信息的融合, 使得網(wǎng)絡適應微小的缺陷檢測。最后, 考慮到小數(shù)據(jù)集和樣本不平衡的特點, 在訓練階段采用了在線困難樣本挖掘(OHEM)技術.該方法在PCB缺陷數(shù)據(jù)集上達到了98.90%的mAP。圖 a 是沒有加入FPN的結構，通過特征可視化圖片可以看到，隨著提取特征層數(shù)的增加，電路板的特征越來越模糊，圖 b 是加入FPN結構后的可視化圖片。

An End-to-end Steel Surface Defect Detection Approach via Fusing Multiple Hierarchical Features

檢測對象：鋼表面缺陷 主要方法：基于Faster R-CNN的帶鋼表面缺陷檢測網(wǎng)絡, 該網(wǎng)絡的改進在于提出的多級特征融合網(wǎng)絡（MFN）將多個分層特征組合成一個特征，其可以包括缺陷的更多位置細節(jié)?；谶@些多級特征，采用區(qū)域提議網(wǎng)絡（RPN）來生成感興趣區(qū)域（ROI）.在缺陷檢測數(shù)據(jù)集NEU-DET上, 提出的方法在采用ResNet-50的backbone下實現(xiàn)了82.3%的mAP。

Automatic Defect Detection of Fasteners on theCatenary Support Device Using Deep Convolutional Neural Network

檢測對象：緊固件缺陷缺陷檢測 主要方法：作者將深度卷積神經網(wǎng)絡(DCNNs)應用到高鐵線路緊固件缺陷檢測。結合SSD、YOLO等網(wǎng)絡方法構建了一個從粗到細的級聯(lián)檢測網(wǎng)絡。其過程如下圖所示，分成三個階段，第一階段采用SSD網(wǎng)絡對鋼材的懸臂節(jié)點及其緊固件進行定位，第二階段crop出緊固件的圖片輸入到YOLO網(wǎng)絡定位缺陷位置，第三階段一個分類器對緊固件缺陷進行分類。

2.2 分割網(wǎng)絡

分割網(wǎng)絡將表面缺陷檢測任務轉化為缺陷與正常區(qū)域的語義分割甚至實例分割問題, 它不但能精細分割出缺陷區(qū)域, 而且可以獲取缺陷的位置、類別以及相應的幾何屬性(包括長度、寬度、面積、輪廓、中心等)。按照分割功能的區(qū)別, 其大致可以分為：FCN(Fully Convolutional Networks)方法和Mask R-CNN方法兩種。

（1）FCN(Fully Convolutional Networks)方法

Automatic Metallic Surface Defect Detection and Recognition with Convolutional Neural Networks 檢測對象：金屬表面缺陷 主要方法：該方法是基于FCN網(wǎng)絡的改進，提出的一種能夠對缺陷進行像素級分割和分類的網(wǎng)絡，整個網(wǎng)絡可以分成兩個階段：缺陷檢測階段和缺陷分類階段。在缺陷檢測階段，作者設計了一個級聯(lián)的自動編碼器（CASAE），利用編碼器對正常區(qū)域和缺陷區(qū)域的響應不同，通過閾值分割的方式實現(xiàn)缺陷區(qū)域的像素級定位。然后將缺陷區(qū)域crop出來輸入到缺陷分類網(wǎng)絡分類缺陷的類別。整個算法的流程如下圖所示：

AE Network 全卷積網(wǎng)絡：

（2）Mask R-CNN方法 Mask R-CNN是目前最常用的圖像實例分割方法之一, 可以被看作是一種基于檢測和分割網(wǎng)絡相結合的多任務學習方法. 當多個同類型缺陷存在粘連或重疊時, 實例分割能將單個缺陷進行分離并進一步統(tǒng)計缺陷數(shù)目, 然而語義分割往往將多個同類型缺陷當作整體進行處理. 目前大部分文獻都是直接將Mask R-CNN框架應用于缺陷分割。Automatic defect segmentation on leather with deep learning 實現(xiàn)皮革表面缺陷，Road Damage Detection And Classiflcation In Smartphone Captured Images Using Mask R-CNN 實現(xiàn)路面缺陷分割。

03

缺陷檢測的關鍵問題

缺陷檢測的關鍵問題主要是三個方面分別是小樣本、小目標、實時性。 （1）小樣本問題，表面缺陷檢測中面臨的最關鍵的問題是小樣本問題, 在很多真實的工業(yè)場景下甚至只有幾張或幾十張缺陷圖片. 實際上, 針對于工業(yè)表面缺陷檢測中關鍵問題之一的小樣本問題, 目前有3種不同的解決方式：

數(shù)據(jù)擴增、合成與生成

網(wǎng)絡預訓練或遷移學習

采用無監(jiān)督與半監(jiān)督模型方法

（2）小目標問題，表面缺陷檢測中面臨的另一個問題是部分缺陷偏小，解決這部分問題可以通過引入特征金字塔結構，將不同階段的特征圖，都融合起來，提高多尺度檢測的準確率；最簡單的辦法是放大圖像尺寸；如果是在兩階段檢測網(wǎng)絡中可以使用 ROI align 替換 ROI pooling；其次，也可以使用GAN對小目標生成一個super-resolved feature疊加在原來的小目標的特征圖上，以此增強小目標特征表達。 （3）實時性問題，基于深度學習的缺陷檢測方法在工業(yè)應用中包括三個主要環(huán)節(jié): 數(shù)據(jù)標注、模型訓練與模型推斷. 在實際工業(yè)應用中的實時性更關注模型推斷這一環(huán)節(jié)。目前大多數(shù)缺陷檢測方法都集中在分類或識別的準確性上, 而很少關注模型推斷的效率. 有不少方法用于加速模型, 例如模型權重量化和模型剪枝等。

04

總結

缺陷檢測是一個寬泛的應用領域, 具體包括缺陷分類、缺陷定位和缺陷分割等環(huán)節(jié), 相比于傳統(tǒng)圖像處理方法分多個步驟和環(huán)節(jié)處理缺陷檢測任務, 基于深度學習的方法將其統(tǒng)一為端到端的特征提取和分類。雖然表面缺陷檢測技術已經不斷地從學術研究走向成熟的工業(yè)應用, 但是依然有一些需要解決的問題。

陶顯等.表面缺陷檢測綜述，自動化學報。

責任編輯：lq