高精度针孔检测设备
More >>
您所在的位置：谈球吧体育官网入口 > 新闻中心>机器视觉表面缺陷检测介绍
2022-07-30 11:21:09 谈球吧(中国)官方网站
机器视觉表面缺陷检测在工业生产中扮演着重要的角色ⓚⓛⓜⓝⓞⓟⓠⓡⓢ。传统都是直接人工肉眼鉴别是否存在表面缺陷✺ϟ☇♤♧♡♢♠♣♥，不仅耗费人力且不能准确识别缺陷㈠㈡㈢㈣㈤㈥㈦。
机器视觉可以替代人眼进行检测ⓣⓤⓥⓦⓧⓨⓩ，但在实际应用中仍面临很多挑战✵✶✷✸✹✺✻✼❄❅，尤其是近几年的传统图像算法解决方案基于经验手工设计♦☜☞☝✍☚☛☟✌✽✾✿❁❃，算法存在精度较低且不够鲁棒的问题ⓚⓛⓜⓝⓞⓟⓠⓡⓢ，特别是在诸如打光ⅲⅳⅴⅵⅶⅷⅸⅹⒶⒷⒸⒹ、形变㊀㊁㊂㊃㊄㊅㊆㊇㊈㊉、失真和遮挡等复杂的场景中☈⊙☉℃℉❅。现今深度学习在特征提取方面有着亮眼的表现⒔⒕⒖⒗⒘⒙⒚⒛ⅠⅡⅢⅣⅤⅥⅦⅧⅨⅩⅪⅫⅰⅱ，在诸多有监督的任务上都取得了优质的表现⑰⑱⑲⑳⓪⓿❶❷❸❹❺，例如分类웃유ღ♋♂、目标检测和图像分割㈠㈡㈢㈣㈤㈥㈦。
同时☾☽❄☃，近年来也涌现了不少用卷积神经网络来进行缺陷检测的方案✵✶✷✸✹✺✻✼❄❅，其中最常见的是直接利用目标检测网络如Faster RCNN或者SSD对缺陷进行定位和分类ⓣⓤⓥⓦⓧⓨⓩ。也有先用目标检测进行粗定位①②③④⑤⑥⑦⑧⑨⑩⑪⑫⑬⑭⑮⑯，然后用FCN进行语义分割得到精确定位的方法✺ϟ☇♤♧♡♢♠♣♥，这种方法可以得到缺陷的精准轮廓❻❼❽❾❿⓫⓬⓭⓮⓯⓰，但是这些方法都属于有监督的学习⒔⒕⒖⒗⒘⒙⒚⒛ⅠⅡⅢⅣⅤⅥⅦⅧⅨⅩⅪⅫⅰⅱ，在实际的工业应用中存在以下问题：
缺少缺陷样本：在实际应用中✤✥❋✦✧✩✰✪✫✬✭✮✯❂✡★✱✲✳✴，用于训练的缺陷样本往往是非常稀少且难以获取的㊀㊁㊂㊃㊄㊅㊆㊇㊈㊉。因此在训练过程中正负样本是非常不均衡的ⅲⅳⅴⅵⅶⅷⅸⅹⒶⒷⒸⒹ，这极大的限制了模型的性能㈠㈡㈢㈣㈤㈥㈦，甚至导致模型完全不可用㊀㊁㊂㊃㊄㊅㊆㊇㊈㊉。在缺陷外观多变的场景下✤✥❋✦✧✩✰✪✫✬✭✮✯❂✡★✱✲✳✴，有监督学习的方法往往无法满足正常的生产需求⑰⑱⑲⑳⓪⓿❶❷❸❹❺。
人工标注成本高昂：实际的工业缺陷检测场景中ⅲⅳⅴⅵⅶⅷⅸⅹⒶⒷⒸⒹ，通常存在许多不同种类的缺陷⒔⒕⒖⒗⒘⒙⒚⒛ⅠⅡⅢⅣⅤⅥⅦⅧⅨⅩⅪⅫⅰⅱ，检测的标准和质量指标往往也不同①②③④⑤⑥⑦⑧⑨⑩⑪⑫⑬⑭⑮⑯。这就需要人为标注大量的训练数据来满足特定需求♀☿☼☀☁☂☄，这需要付出大量的人力资源ⓚⓛⓜⓝⓞⓟⓠⓡⓢ。
