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
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