（六）缺陷检测综述

最新推荐文章于 2025-09-22 18:45:38 发布
原创 最新推荐文章于 2025-09-22 18:45:38 发布 · 521 阅读 · 0 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#自动驾驶 #深度学习 #机器学习

此博客为系列文章目录，包含机器视觉表面缺陷检测综述内容，涉及自动驾驶、深度学习、机器学习等信息技术领域。
综述|工业金属平面材料表面缺陷自动视觉检测的研究进展
3D视觉工坊
02-18 1298
点击上方“3D视觉工坊”，选择“星标”干货第一时间送达摘要：基于计算机视觉的金属材料表面缺陷检测是冶金工业领域的研究热点。在金属制造行业中，高标准的平面质量要求自动视觉检查系统及其算法的性...
万字长文细说工业缺陷检测
极市平台的技术博客
07-23 3390
作者丨皮特潘 编辑丨极市平台 注意：本文从我的一个PPT整理而来，行文可能比较随意，很多细节没有写清楚，后续有时间会持续修改。 上次说到，要写一个系列，最后整理才发现，还是合成一篇比较好一点。 [皮特潘：AI 工业缺陷检测 —— 写在前面的话zhuanlan.zhihu.com(https://zhuanlan.zhihu.com/p/375383384) 主要内容还是围绕着场景分析与数据理解、方法论与算法设计、工具链与部署落地等方面进行展开。重点关注的还是顶层设计，因此涉及到的很多具体的细节没有说太多，仁
什么是缺陷检测？机器视觉表面缺陷检测从定义到实战方法，避开漏判误判
最新发布
xianzuzhicai的博客
09-22 1145
什么是缺陷检测？机器视觉表面缺陷检测：从定义到实战方法，避开漏判误判
读论文-《基于计算机视觉的工业金属表面缺陷检测综述》
zxjiaya的博客
09-11 4014
读论文《基于计算机视觉的工业金属表面缺陷检测综述》,学习知识
论文精读：基于深度学习的表面缺陷检测方法综述
qq_38304138的博客
12-23 1万+
本文为论文精读：基于深度学习的表面缺陷检测方法综述
综述 | 缺陷检测算法（传统+深度学习方式）
我爱计算机视觉
06-13 2948
在计算机视觉领域，目标检测发展迅速，出现了基于机器视觉技术的表面缺陷检测技术。这种技术的出现，越来越多的制造企业正在尝试将机器视觉检测技术引入产品缺陷检测。目前基于机器视觉的缺陷检测技术已经大量应用于纺织品、汽车零部件、半导体、光伏组件等产品的缺陷检测中，大大提升了制造业的质检效率。机器视觉在工业缺陷检测中的前景毋庸置疑，而工业制造领域的多样性、生产环境的复杂性、产品缺陷...
精选资源
机器视觉表面缺陷检测综述_汤勃.caj
03-22
《机器视觉表面缺陷检测综述》汤勃 caj文件
精选资源
机器视觉芯片缺陷检测综述
01-14
【机器视觉芯片缺陷检测综述】 芯片制造是一个高度复杂的过程，每一步都可能导致微小的缺陷，从而影响最终产品的质量和良率。为了确保芯片的质量，缺陷检测成为关键环节。传统上，这一过程依赖于人工目视检查，但...
缺陷检测最新综述：针对现实世界工业缺陷检测的综合调查：挑战、方法与展望
sexy19910923的博客
08-18 1083
这篇综述聚焦于工业缺陷检测的重要性，指出在精度、自动化和可扩展性要求不断提升的背景下，传统检测方法已难以满足现实生产需求。论文系统回顾了基于2D（图像）和3D（点云/深度）两类模态的缺陷检测方法，重点剖析了从封闭集（closed-set）到开放集（open-set / anomaly detection）范式的演进及其原因。作者对现有方法进行了分类（包括监督式、无监督、半监督、零/少样本等子任务），并总结了主要技术路线（例如回归/重建、memory-bank、normalizing flows、discri
论文研究-基于机器视觉布匹瑕疵检测方法-综述 .pdf
08-15
基于机器视觉布匹瑕疵检测方法-综述，李刚，杨欣，布匹智能检测系统的使用不仅节省了大量人力，同时也提高了检测效率。本文首先介绍常用的布匹瑕疵检测的算法，主要有三类：统计法
深度学习实现缺陷检测算法汇总
qq_29462849的博客
02-17 2万+
作者：Tom Hardy Date：2020-1-6 来源：总结|深度学习实现缺陷检测 前言 缺陷检测是工业上非常重要的一个应用，由于缺陷多种多样，传统的机器视觉算法很难做到对缺陷特征完整的建模和迁移，复用性不大，要求区分工况，这会浪费大量的人力成本。深度学习在特征提取和定位上取得了非常好的效果，越来越多的学者和工程人员开始将深度学习算法引入到缺陷检测领域中，下面将会介绍几种深度学习算法在缺陷...
缺陷检测
zyb的博客
04-08 3821
基本框架如下： 1.图像处理 图像增强 图像滤波（高斯滤波、均值滤波、中值滤波） 直方图均衡化 伽马变化 图像分割 基于阈值的分割 基于区域的分割 基于形态学分水岭的分割 2.特征提取 几何特征（区域周长、面积大小、位置、缺陷质心） 形状特征（矩形度、细长度、圆形度、致密度、不变矩、偏心率） 颜色特征（颜色直方图、颜色聚合向量、颜色矩） 纹理特征（统计法_直方图、频谱法_傅里叶） 灰度特征（灰度直方图信息_方差、均值、熵） 缺陷图像的特征提取实现了从图像空间到特征空间的转换.
印刷质量缺陷的视觉检测原理概述
3D视觉工坊
09-13 1924
点击上方“计算机视觉工坊”，选择“星标”干货第一时间送达本文转载自「计算机视觉工坊」，该公众号重点在于介绍深度学习、智能驾驶等领域，一个小众的公众号。一、应用背景印刷品作为产品包装的一种...
工业产品表面缺陷检测方法——综述
热门推荐
qq_40716944的博客
09-03 5万+
摘要 制造业的全面智能化发展对工业产品的质量检测提出了新的要求。本文总结了机器学习方法在表面缺陷检测中的研究现状，表面缺陷检测是工业产品质量检测的关键部分。首先，根据表面特征的用途，从纹理特征、颜色特征、形状特征三个方面总结了传统机器视觉表面缺陷检测方法在工业产品表面缺陷检测中的应用。其次，从监督法、无监督法、弱监督法三个方面论述了近年来基于深度学习技术的工业产品表面缺陷检测的研究现状。然后，系统总结了工业表面缺陷检测中常见的关键问题及其解决方法；关键问题包括实时问题、小样本问题、小目标问...
缺陷检测算法汇总（传统+深度学习方式）|综述、源码
爱CV
04-27 1690
作者丨Tom Hardy@知乎 来源丨https://zhuanlan.zhihu.com/p/305087419 文献资料汇总 https://github.com/Eatzhy/surface-defect-detection 综述：机器视觉表面缺陷检测综述 缺陷检测工具箱 https://github.com/abin24/Saliency-detection-toolbox 基于深度学习方式 1、语义分割方式 https://github.com/Wslsdx/Deep-..
缺陷检测1
whaosoft143ai的博客
10-20 566
这次是带来的焊件的缺陷检测 也可以叫瑕疵检测 都是工业相关哦焊接缺陷是指焊接零件表面出现不规则、不连续的现象。焊接接头的缺陷可能会导致组件报废、维修成本高昂，在工作条件下的组件的性能显着下降，在极端情况下还会导致灾难性故障，并造成财产和生命损失。此外，由于焊接技术固有的弱点和金属特性，在焊接中总是存在某些缺陷。不可能获得完美的焊接，因此评估焊接质量非常重要。可以通过图像来检测焊接中的缺陷，并精确测量每个缺陷的严重性，这将有助于并避免上述危险情况的出现。
「 工业缺陷检测深度学习方法」最新研究综述
小白学视觉
05-06 1096
点击上方“小白学视觉”，选择加"星标"或“置顶”重磅干货，第一时间送达作者丨专知来源丨专知编辑丨极市平台导 读基于深度学习的工业缺陷检测方法在各种生产与运维场景中扮演着重要角色。本文将对工业缺陷检测的任务定义、难点、挑战、主流方法、公共数据集及评价指标等进行全面归纳, 并总结出方法部署中的关键辅助技术。基于深度学习的工业缺陷检测方法可以降低传统人工质检的成本, 提升检测的准确性与效率, ...
透明物体缺陷检测综述
03-26
### 关于透明物体缺陷检测的技术综述 #### 1. 背景介绍 随着工业自动化的发展，透明物体的质量控制变得越来越重要。然而，由于透明材料的特殊性质（如光线折射、反射和透射），传统基于灰度或颜色特征的方法难以直接应用于其表面缺陷检测[^1]。 #### 2. 图像处理中的挑战 对于透明物体而言，高维数据特性以及复杂光照条件下的成像问题使得常规矩阵分解方法失效。张量分解能够更好地提取多维度空间的信息，在一定程度上缓解了这一难题。此外，特定场景下还需要依赖高质量的数据集支持模型训练与验证过程[^2]。 #### 3. 方法概述 目前主流用于解决此类问题的技术主要包括以下几个方面： - **光学设置优化** 为了克服因材质本身带来的干扰因素，研究人员通常会采用特殊的光源布置方式或者偏振滤镜等手段改善采集到的画面质量。 - **深度学习框架的应用** 近年来，卷积神经网络(CNNs)被广泛引入至该领域当中。例如,Zhou等人提出的针对深层视觉表示可解释性的研究思路也可以迁移到此方向上来进一步提升系统的鲁棒性和准确性[^3]。 以下是利用Python实现的一个简单示例程序片段展示如何加载预训练好的ResNet50模型并对其进行微调以适应具体应用场景需求: ```python import torch from torchvision import models, transforms device = 'cuda' if torch.cuda.is_available() else 'cpu' model = models.resnet50(pretrained=True).to(device) for param in model.parameters(): param.requires_grad = False num_ftrs = model.fc.in_features model.fc = torch.nn.Linear(num_ftrs, num_classes).to(device) criterion = torch.nn.CrossEntropyLoss() optimizer = torch.optim.Adam(model.fc.parameters(), lr=learning_rate) ``` 上述代码展示了如何冻结基础层参数仅调整全连接部分权重从而快速构建适配新分类任务的新版本网络架构. #### 4. 数据增强策略 考虑到实际生产环境中样本数量有限的情况，可以通过旋转、缩放等方式扩充现有数据库规模；另外还可以尝试合成带有标注信息的人工瑕疵图片作为补充资源参与到整个流程之中去提高泛化能力效果显著。 ---
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

Huaping Guo

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值