基于U-Net+残差网络的语义分割缺陷检测

一、介绍

基于深度学习的缺陷检测主要集中在场景识别、object detection等方法，近年来，推出了一系列优秀的语义分割模型，比如SegNet、FCN、U-Net等。语义分割模型被广泛的应用到场景识别、道路分割等领域中，缺陷检测领域也逐渐接受该模型。

本博文主要关注和实现基于U-Net的语义分割模型。

二、U-Net

如下图所示，这是U-Net的核心思想，从编码到解码，编码过程就是下采样，解码时，把同级的编码特征进行拼接，一起上采样。

详细算法请参考：https://blog.csdn.net/natsuka/article/details/78565229

U-Net由于把编码特征加入到解码特征中，可以在小数据量下取得很好效果，但是有个问题，U-Net网络不够深，对特征的表达不够准确，残差网络之所以取得这么好的分类效果其实就是网络足够深，一般来说网络更深，表达能力更强。

下面是改进的U-Net，其中ResNet Block数量为6。

三、实验数据

如下图所示，对缺陷的地方直接赋值像素为255，其它区域像素值保持不变，这样就可以生成标签数据。在代码中，对训练图像和标签图像分别进行0~1处理，对输入图像直接除以255，对标签图像，生成二进制图像，像素值为255，则置1，否则置0。

四、测试结果

五、算法改进

实验表明，如果只使用U-Net+残差模块，对大的缺陷区域分割