表面缺陷檢測有哪些關鍵問題

      1、小樣本問題

      目前深度學習方法廣泛應用在各種計算機視覺 任務中, 表面缺陷檢測一般被看作是其在工業領域的具體應用。在傳統的認識中, 深度學習方法無法直接應用在表面缺陷檢測中的原因是因為在真實的 工業環境中, 所能提供的工業缺陷樣本太少。

      相比于ImageNet數據集中1400多萬張樣本數據, 表面缺陷檢測中面臨的較關鍵的問題是小樣本問題, 在很多真實的工業場景下甚至只有幾張或幾十張缺陷圖片。 實際上, 針對于工業表面缺陷檢測中關鍵問題之 一的小樣本問題, 目前有4種不同的解決方式:

      1）數據擴增、生成

      較常用的缺陷圖像擴 增方法是對原始缺陷樣本采用鏡像、旋轉、平移、扭曲、濾波、對比度調整等多種圖像處理操作來獲取 更多的樣本。另外一種較為 常見方法是數據合成, 常常將單獨缺陷融合疊加到 正常(無缺陷)樣本上構成缺陷樣本。

表面缺陷檢測

      2）網絡預訓練與遷移學習

      一般來說,，采用小樣本來訓練深度學習網絡很容易導致過擬合, 因此 基于預訓練網絡或遷移學習的方法是目前針對樣 本中較常用的方法之一。

      3）合理的網絡結構設計

      通過設計合理的網絡 結構也可以大大減少樣本的需求?；趬嚎s采樣定理來壓縮和擴充小樣本數據, 使 用CNN直接對壓縮采樣的數據特征進行分類. 相比 于原始的圖像輸入, 通過對輸入進行壓縮采樣能大 大降低網絡對樣本的需求. 此外, 基于孿生網絡的表 面缺陷檢測方法也可以看作是一種特殊的網絡設計, 能夠大幅減少樣本需求。

      4）無監督或半監督

      在無監督模型中, 只利用正 常樣本進行訓練, 因此不需要缺陷樣本. 半監督方法 可以利用沒有標注的樣本來解決小樣本情況下的網絡訓練難題。

      2、實時性問題

      基于深度學習的缺陷檢測方法在工業應用中包括三個主要環節: 數據標注、模型訓練與模型推斷. 在實際工業應用中的實時性更關注模型推斷這一環節. 目前大多數缺陷檢測方法都集中在分類或 識別的準確性上, 而很少關注模型推斷的效率。有不少方法用于加速模型, 例如模型權重量化和模型剪枝等。另外，雖然現有深度學習模型 使用GPU作為通用計算單元, 但隨著技術發展, 相信FPGA會成為一個具有吸引力的替代方案。