基于分割的深度学习表面缺陷检测方法

使用机器学习的自动化表面异常检测已成为一个有趣且前景广阔的研究领域，对视觉检测应用域具有极高且直接的影响。深度学习方法已成为该任务最合适的方法。它们使检测系统能够通过简单地展示若干示例图像来学习检测表面异常。本文提出了一种基于分割的深度学习架构，专为表面异常的 detection 与分割而设计，并在表面裂纹检测这一特定域上进行了演示。该架构的设计使得模型能够使用少量样本进行训练，这是实际应用的一项重要要求。所提模型与相关的深度学习方法（包括最先进的商业软件）进行了比较，表明所提方法在表面裂纹检测特定域上优于相关方法。大量实验还阐明了所需标注的精度、所需训练样本的数量以及所需的计算成本。实验在一个基于真实世界质量控制案例新建的数据集上进行，并证明所提方法能够在少量缺陷表面上学习，仅使用约 25-30 个缺陷训练样本，而非深度学习应用中通常所需的数百或数千个。这使得深度学习方法在可用缺陷样本有限的实际工业中切实可行。该数据集也公开提供，以鼓励开发和评估表面缺陷检测的新方法。