钢表面制造缺陷的一次性识别

质量控制是制造过程中必不可少的环节，旨在使产品无缺陷并满足客户需求。该过程的自动化对于在保持高制造吞吐量的同时维持高质量十分重要。随着深度学习和计算机视觉技术的最新发展，以接近人类的精度从图像中检测各种特征已成为可能。然而，许多此类方法依赖大量数据。在制造车间训练和部署这样的系统可能成本高昂且耗时。对大量训练数据的需求是这些方法在真实制造系统中适用性的局限之一。在这项工作中，我们提出应用连体卷积神经网络来完成此类任务的一次性识别。我们的结果展示了如何通过识别钢表面的缺陷，将一次性学习用于钢的质量控制。该方法可显著减少训练数据需求，并且可实时运行。