前言
根据缺陷检测的三个阶段其方法大致可以分为三类分别是分类网络、检测网络、分割网络。
1. 分类网络
由于CNN强大的特征提取能力, 采用基于CNN的分类网络目前已成为表面缺陷分类中最常用的模式一般来说,现有表面缺陷分类的网络常常采用计算机视觉中现成的网络结构, 包括AlexNet, VGG, GoogLeNet,ResNet, DenseNet, SENet, ShuteNet,MobileNet等。利用分类网络结合上滑动窗口的方式可以实现缺陷的定位。
论文: Deep learning-based crack damage detection using convolutional neural networks
检测对象: 混凝土裂缝
主要方法: 最早采用基于滑动窗口的CNN分类网络实现了裂纹表面缺陷定位, 两种滑动窗口冗余路径结合实现图像全覆盖, 如图所示, 图中(a)为滑动窗口路径示意图, 图中(b)为裂纹定位的结果图。
论文: A fast and robust convolutional neural network-based defect detection model in product quality control
检测对象: 布匹缺陷
主要方法: 作者使用一个多层的CNN网络对布匹缺陷数据集中的六类缺陷样本进行分类,分类结束之后,对于每一类样本进行缺陷检测。具体做法是:
- 使用滑动窗口的方法在512×512的原图上进行采样,采样大小为128×128ÿ