深度学习在工业缺陷检测应用中的一些思考

深度学习在安防、智慧城市、自动驾驶等领域已经落实应用，在工业缺陷检测方面，深度学习也是一个必然趋势，但仍然有很长一段路要走，这篇博文记录博主关于深度学习在工业缺陷检测应用中的一些思考。

工业领域与其他领域的区别

这里的工业领域独指工业制造相关，特别是工业缺陷检测相关方面的，其他领域则包含上述的安防、智慧城市、自动驾驶等。从模型、数据、部署三方面来看，这两者的主要区别在于：

（1）、在视觉应用方面，主要包括“目标分类”、“目标检测”、“目标分割”及“目标跟踪”等，工业缺陷领域绝大部分情况只需模型输出OK或NG，也就说工业缺陷领域可以划分为“目标分类”，而其他领域可能都会涉及。目前很多视觉比赛也会涉及工业缺陷检测方面，这些比赛以计算机视觉领域常用的指标来判别模型的优劣，如mAP，recall等等，把其看成“目标检测”或者“目标分割”问题，博主认为这是脱离了实际的工业应用，这两者的指标明显不太一样，举个例子，某些缺陷检测对弱小的、不显眼的可以判别为OK品，模型应更加关注整体。

（2）、在工业缺陷领域，刚开始生产的零部件可能没那么多NG品，更多的是OK品，这就注定了工业领域是无法获取足够多的数据的，特别是NG品，而安防、自动驾驶等则可获取大量的数据。

（3）、在实际应用中，工业生产拍照通常只有一次，一次必须出结果，而在安防、自动驾驶等，比如人脸识别，如果某一帧识别失败，还可以继续抓拍识别。

深度学习在缺陷检测应用中出路

由于工业缺陷领域的特殊性，深度学习要想在此领域更近一步，博主认为需要解决以下几个问题：

（1）、用前期训练完成的模型进行分析发现出现误判，能否保持前期训练的模型，利用新数据追加训练模型，即数据增量学习（Data Incremental Deep Learning）；

（2）、通常数据量要与模型容量保持一致，工业产品千差万别，数据迥异，模型（尺寸）如何根据数据自适应（分类、检测、分割等）？小数据小模型，大数据大模型（动态模型Dynamic Convolutional Neural Network）；

（3）、实际过程中NG样品很少或者没有时，如何利用深度学习来检测OK/NG（Anomaly Detection Or One Class CNN）?

（4）、能否根据图片本身OK/NG的标注，自动抽取差异部分，减少标注成本？（Fine-Gained Image Classification）

总结

计算机视觉那一边不断刷新各种比赛数据，“目标分类”、“目标检测”、“目标分割”及“目标跟踪”已经杀成一片红海，机器视觉这一边深度学习还有很多路要走，期望更多的学者和研究员能关注深度学习在工业领域的应用。