缺陷检测-——深度学习的方法 学习笔记

参考资料：
https://github.com/Charmve/Surface-Defect-Detection
https://github.com/Eatzhy/surface-defect-detection

缺陷问题的两个关键点：

1. 缺陷检测在工业上应用广，但相比于ImageNet 千万级的图片数量相比，数据不足，是小样本问题。
   常采用的方法有：
   a。数据增强和生成。对原始缺陷样本进行镜像、旋转、平移、扭曲、滤波和对比度调整等，以获得更多的样本。另一种常见的方法是数据合成，单个缺陷被融合并叠加在正常样本上以形成缺陷样本。
   b。 迁移学习。小样本学习容易导致过拟合。
   c。 合适的网络结构设计。基于压缩采样定理对小样本数据进行压缩和扩展，利用CNN对压缩后的采样数据特征进行直接分类。与原始图像输入相比，压缩输入可以大大降低网络对样本的需求。此外，基于twin network的表面缺陷检测方法也可以视为一种特殊的网络设计，可以大大降低样本要求。
   d。无监督学习，只有正常的样本被用于训练；半监督学习。
2. 基于深度学习的缺陷检测方法包括工业应用中的三个主要环节:数据标注、模型训练和模型推理。实际工业应用中的实时更注重模型推理。目前，大多数缺陷检测方法都集中在分类或识别的准确性上，很少关注模型推理的效率。加速模型的方法有很多，比如模型加权和模型剪枝。另外，虽然现有的深度学习模型使用GPU作为通用计算单元(GPU)，但是随着技术的发展，相信FPGA会成为一种有吸引力的替代方案。