瑕疵检测（深度学习）

与通用目标检测的区别

相较与整张图片瑕疵区域的占比一般非常小，Faster R-CNN等检测模型对小物体检测不够好

深度学习从低层到高层不断去提炼高层语义信息，层数的增大细节的信息丢失得越多，对于缺陷检测细节是很重要的东西

瑕疵图片占整体图片比数据量较少

公开数据集与项目

https://blog.csdn.net/sinat_17456165/article/details/106866463?utm_medium=distribute.pc_relevant.none-task-blog-BlogCommendFromBaidu-1.control&depth_1-utm_source=distribute.pc_relevant.none-task-blog-BlogCommendFromBaidu-1.control

相关论文

1、Automatic Defect Detection of Fasteners on the Catenary Support Device Using Deep Convolutional Neural Network（基于深度卷积网络的接触网支架紧固件缺陷自动检测）

主要采用三阶段方式：

第一阶段：定位主要结构件位置，采用SSD作为检测网络。
第二阶段：对第一阶段检测出的各个结构图像中的紧固件做检测，也是采用Object Detection方式。
第三阶段：在第二阶段的基础上，对检测图像进行crop，将其送到分类网络进行分类，看是否缺少紧固件。

2、Automatic Metallic Surface Defect Detection and Recognition with Convolutional Neural Networks（金属表面缺陷检测）

设计了一种新的级联自动编码器（CASAE）结构，用于缺陷的分割和定位。级联网络将输入的缺陷图像转化为基于语义分割的像素级预测掩模。利用压缩卷积神经网络（CNN）将分割结果的缺陷区域划分为特定的类。

分割网络定位像素级别的缺陷位置，然后通过分类网络对缺陷进行识别。

3、Segmentation-based deep-learning approach for surface-defect detection（金属表面缺陷检测、裂纹检测）

分割网络主要完成缺陷的分割，而判别网络在此基础上对缺陷作进一步分类。

https://github.com/Wslsdx/Deep-Learning-Approach-for-Surface-Defect-Detection