用于缺陷检测的深度学习浅谈

  对比学术界和在工业领域当中，深度学习其实在工业领域中应用的并不是很广，个人在缺陷检测方向实际操作下来的感觉原因有这么几条

①很多产品给的样本量少

  虽说市面上的很多深度学习软件可以做到每个类别二十多张，一共不到二百张图片就可以做到不错的效果，但很多时候真的这些样本量都很难达到。

②对硬件要求较高

  很多时候硬件的要求不足以达到条件，比如相机拍摄效果差，相机被触碰视野变化，环境光变化，实际拍摄部分与周围灰度值相差不大，废料遮挡等等问题。

③算法可解释性差。

  很多时候出现问题优化无从下手，比如前段时间的围棋稳定出现bug，很难从算法领域解释为什么出现这种情况，不确定性太多，对于工业领域这种要求宁可错杀、不可放过来说，很难达到商业应用的要求。

④问题过于复杂

  比如瓷砖的裂痕检测，纹理会带来很大的干扰，还有诸如烟丝中检测塑料丝等一系列问题。

  针对以上问题总结一下，在工业的缺陷检测领域中，传统机器视觉算法在缺陷较为规则、场景较为简单的环境下，能够很好地工作。但是对于特征不明显、缺陷形态多样、场景较为混乱的场合，传统算法则不甚适用。随着深度学习识别算法的发展，基于深度学习和卷积神经网络的图像缺陷检测方法正被越来越广泛地应用于各类工业场景当中。然而，相较于机器视觉所面向的明确的分类、检测、分割等任务，缺陷检测的需求则往往非常笼统。实际上，缺陷检测的需求可以划分为三个不同层次：缺陷是什么（分类）、缺陷在哪里（定位）、缺陷有多少（分割）。基于此，缺陷检测所面临的两个关键问题在于：小样本问题、实时性问题（算力、时间）。由此得到的解决小样本的主要策略有：数据扩增或数据生成、网络预训练和迁移学习、合理的网络结构设计、无监督或半监督学习。

  接下来简单讲讲同事实际做过的基于迁移学习的汽车钣金件表面缺陷检测，为了克服深度网络训练所需样本量不足的问题，采用红外热像断层扫描而非传统工业面阵相机拍摄的方式采集钣金件表面的系列切片图像1。该方式可以为足够深度的卷积神经网络提供足以进行多阶、深层次非线性复杂映射关系学习的多样性样本，使模型可以更加充分地拟合数据特征，降低过拟合发生率。通过质心计算、自适应的主体区域选取、图像裁剪、阈值分割等操作，尽可能地去除无关区域，提高算法检测效率。融合样本代替传统的原始图像样本输入网络进行训练、验证、测试，该样本可同时兼顾突出检测主体特征和消除高频噪声两方面要素，使网络更专注于对钣金件主体的特征展开学习。