深度学习缺陷检测中必会的算法类型

今天跟大家聊一聊缺陷检测行业落地的一些深度学习算法。

说到AI视觉任务，不得不来说说图像分类、目标检测、图像分割三大视觉任务。这三大任务占据了计算机视觉领域的半壁江山。那在工业缺陷检测领域中，我们常用的视觉任务仍然是这三大板块，那就是分类、检测和分割。

我们先来说说图像分类，图像分类顾名思义，就是将每张图片中的内容进行归类统一。那么对于缺陷检测来说，就是对好品图像与NG图像的分类。这种方式常用于整个产品布满相机视野的情况，并且缺陷特征比较明显时。

举个例子，苹果和鸭梨充满相机视野，并且苹果和鸭梨的特征又十分明显，图像分类模型就能很好的区分开哪些图像是苹果，哪些是鸭梨。如果想要检测大红苹果和比大红苹果稍微小一些的红苹果，图像分类模型就可能会不稳定。又或者想要通过红苹果上面是否有小黑点来分类，图像分类模型可能不是最适合的。

那有朋友问了，如果我想检测红苹果上面的小黑点，用来区分苹果的好坏，用什么方式好呢？这里目标检测就派上用场了。目标检测模型可以快速的定位到产品上的缺陷位置，并对这个位置的缺陷进行分类。也就是图像分类的进阶版。不管是小黑点、小白点、小黄点，目标检测模型可以定位到这些缺陷的位置，并且预测出每个缺陷属于什么类别。这样我们可以通过检测缺陷目标来判断产品是否NG。目标检测呢，也是我在实际项目中应用最多的一种方式，速度快、准确率高。

那有朋友又问了，我想找到图像中苹果所在的区域，我想知道图像中哪些像素是属于苹果、哪些像素属于背景、哪些像素属于苹果上的小黑点怎么办呢。这时候我们可以使用图像分割模型。这里图像分割又可以分为语义分割、全景分割、实例分割。语义分割呢就是将同一类语义信息的像素归为一类，包括背景。比如图像中有三个人，那在语义分割中，这三个人都属于人，他们是同一个类别，具有同样的语义。如果是在全景分割中，这三个人就不属于同一类别，分别属于三个类别，因为他们是三个不同的人。语义分割和全景分割都是对整张图像上的所有像素进行分类。实例分割比较好理解，就是在目标检测的基础上，对检测框中的目标进行分割，且类别属于检测框类别。实例分割并不会对图像的背景进行分割，只是针对检测框中的实例内容进行像素级分割。好了，让我们再回到苹果这里，我们可以通过语义分割，将苹果区域、背景区域、黑点区域都进行分割，从而获取我们需要的结果。

除了这三大任务之外呢，还有一些不太常用的比如带角度的目标检测、无监督的异常检测等等这里就不再赘述了。

对于工业缺陷检测还有哪些想要了解的话题欢迎评论区留言。

挑战免费帮10个检测项目AI应用落地仍在报名中，想要参与挑战的朋友评论私信或留言您的邮箱，我们会主动联系您。

分享一个一站式工业缺陷检测AI训练推理部署软件，感兴趣的朋友可以下载来试一试：

AI缺陷检测深度学习训练软件-CSDN博客https://blog.csdn.net/2401_84331513/article/details/138199162?spm=1001.2014.3001.5502