复杂场景下的缺陷检测——深度学习

随着自动化技术的快速发展，在工业生产中很多需要人工操作的环节逐渐转由机器完成，工业生产自动化也将越来越多的工人们从枯燥乏味的工作中解放出来，让他们去发挥更大的价值。

产品表面缺陷检测是工业生产中的重要环节，是产品质量把控的关键步骤，借助缺陷检测技术可以有效的提高生产质量和效率。但是由于设备及工艺等因素的影响，产品表面的缺陷类型往往五花八门，比如织物生产中方出现的污点、破损，金属产品上的划痕、裂纹、凹凸不平等各种不同类型的缺陷。

单张图片中的缺陷多样且不同缺陷表现形式的也不相同，给缺陷的自动化检测带来了困难。

//传统算法

传统的表面缺陷检测算法结构通过图像预处理得到便于检测的图像，随后借助统计机器学习方法来提取图像特征，进而实现缺陷检测的目标。

图像预处理通常包括直方图均衡化、滤波去噪、灰度二值化、再次滤波几部分，以得到前后景分离的简单化图像信息；随后利用数学形态学、傅里叶变换、Gabor 变换等算法以及机器学习模型完成缺陷的标记与检测。

上述传统算法在某些特定的应用中已经取得了较好的效果，但仍然存在许多不足。

例如：图像预处理步骤繁多且具有强烈的针对性，鲁棒性差；多种算法计算量惊人且无法精确的检测缺陷的大小和形状。而深度学习可以直接通过学习数据更新参数，避免了人工设计复杂的算法流程，并且有着极高的鲁棒性和精度。

//深度学习

目前，基于深度学习的缺陷检测已经广泛应用于泛半导体、光伏等多个领域，取得了不错的成果。

东声智能科技在工业视觉检测领域沉淀多年，在汇聚行业10亿+图片数据的同时，形成了一套从底层算法、功能模块到软件平台、大数据分析等的核心技术壁垒。东声的HanddleAI软件平台提供的算法拥有高性能、高准确度、高精度、高速度、高通用性、高易用性等特点，并且在小样本学习、迁移学习、可视化调试等方面，均达到行业领先水平。

东声智能标准化产品已经广泛应用于泛半导体、泛3C、锂电、汽车及零部件、光伏等多个行业，成功在美国某手机知名企业产业链、思科、伟创力、韩国三星、LG、华为、富士康、立讯、比亚迪等国际知名头部企业广泛落地，成为AI工业视觉领域的明星产品。为了更好地服务于客户，东声智能除了以苏州为公司总部深扎长三角市场之外，还设立了深圳、成都、武汉、青岛等分支，为全国不同地域的客户提供最及时的技术服务。

www.dongshengai.com

0512-68187631