基于轻量化重构网络的表面缺陷视觉检测.docx
2.虚拟产品一经售出概不退款(资源遇到问题,请及时私信上传者)
![preview](https://dl-preview.csdnimg.cn/87487991/0001-66452f3b6953fdff07ee3ee5659b149e_thumbnail-wide.jpeg)
![preview-icon](https://csdnimg.cn/release/downloadcmsfe/public/img/scale.ab9e0183.png)
基于轻量化重构网络的表面缺陷视觉检测 随着工业自动化的发展,产品质量检测变得越来越重要。传统的机器学习方法可以有效解决多种工业产品质量检测问题,但当被检测产品的表面缺陷出现复杂背景纹理、缺陷特征尺度变化大、缺陷区域特征和背景特征相似等问题时,传统的机器学习方法依赖人工特征对产品图像样本的表示能力,不适应这类复杂的检测需求。 基于深度学习的方法,特别是卷积神经网络(Convolutional Neural Network,CNN),可以自动学习图像特征,通过多个卷积层的叠加,可以抽取更抽象的图像特征,相对人工设计的特征提取算法具有更好的特征表示能力。深度学习方法可以分为缺陷分类方法、缺陷识别方法和缺陷分割方法。 基于缺陷分类的算法通常使用一些经典的分类网络算法对待检测样本进行训练,学习后的模型可以对缺陷和非缺陷类别进行分类。Wang 等提出使用 2 个 CNN 网络对 6 类图像进行缺陷检测;Xu 等提出一种融合视觉几何(Visual Geometry Group,VGG)和残差网络的 CNN 分类网络,用来检测和分类轧辊的表面缺陷;Paolo 等和 Weimer 等亦借助 CNN 的图像特征表示能力来判别缺陷。 为了实现对缺陷区域的准确定位,一些研究者将计算机视觉目标识别任务中表现优异的网络改进并应用于表面缺陷检测,这类算法多基于区域卷积神经网络(Region-CNN,R-CNN)、单激发多盒探测器(Single Shot Detector,SSD)、一眼识别(You Only Look Once,YOLO)等网络。 在实现像素级检测精度方面,一些研究者使用了分割网络,例如 Huang 等用 U 型网络(U-Net)构建的检测网络将缺陷检测任务转化为语义分割任务,提高了磁瓦表面检测的准确率。Qiu 等采用全卷积网络(Full Convolutional Network,FCN)对缺陷区域进行检测。 在小样本或无监督学习方法方面,研究者开始关注基于自编码器的方法,例如卷积自编码器(Convolutional Autoencoder,CAE)、基于 Fisher 准则的堆叠式降噪自编码器、鲁棒自编码器、融合梯度差信息的稀疏去噪自编码网络等。Mei 等提出多尺度卷积去噪自编码器网络(Multi-scale Convolutional Denoising Autoencoder Network,MSCDAE)重构图像,利用重构残差生成检测结果。 此外,生成对抗网络也应用于无监督缺陷检测。生成对抗网络通过学习大量正常图像样本,让网络中的生成器能够学习出正常样本图像的数据分布。Zhao 等结合生成对抗网络和自编码器,对无缺陷样本制作缺陷,训练生成对抗网络使之具有恢复图像的能力。He 等使用半监督生成对抗网络和自编码器训练未标记的钢材表面缺陷数据,抽取图像特征。 基于轻量化重构网络的表面缺陷视觉检测方法可以有效解决工业产品质量检测问题,特别是在复杂背景纹理、缺陷特征尺度变化大、缺陷区域特征和背景特征相似等情况下。但是,这类方法都依赖一定数量的训练数据。在许多工业场合中,产品缺陷类型是不可预测的,并且只发生在生产过程中,很难收集到大量的缺陷样本。因此,小样本或无监督学习方法是未来研究的方向。
![docx](https://img-home.csdnimg.cn/images/20210720083331.png)
![docx](https://img-home.csdnimg.cn/images/20210720083331.png)
![docx](https://img-home.csdnimg.cn/images/20210720083331.png)
![docx](https://img-home.csdnimg.cn/images/20210720083331.png)
![docx](https://img-home.csdnimg.cn/images/20210720083331.png)
![docx](https://img-home.csdnimg.cn/images/20210720083331.png)
![docx](https://img-home.csdnimg.cn/images/20210720083331.png)
![docx](https://img-home.csdnimg.cn/images/20210720083331.png)
![docx](https://img-home.csdnimg.cn/images/20210720083331.png)
![zip](https://img-home.csdnimg.cn/images/20210720083736.png)
![pdf](https://img-home.csdnimg.cn/images/20210720083512.png)
![pdf](https://img-home.csdnimg.cn/images/20210720083512.png)
![doc](https://img-home.csdnimg.cn/images/20210720083327.png)
![](https://csdnimg.cn/release/download_crawler_static/87487991/bg1.jpg)
![](https://csdnimg.cn/release/download_crawler_static/87487991/bg2.jpg)
![](https://csdnimg.cn/release/download_crawler_static/87487991/bg3.jpg)
![](https://csdnimg.cn/release/download_crawler_static/87487991/bg4.jpg)
![](https://csdnimg.cn/release/download_crawler_static/87487991/bg5.jpg)
剩余23页未读,继续阅读
![avatar-default](https://csdnimg.cn/release/downloadcmsfe/public/img/lazyLogo2.1882d7f4.png)
![avatar](https://profile-avatar.csdnimg.cn/3f07197aad004e4fa57ac5a008eb6aaf_weixin_57147647.jpg!1)
- 粉丝: 4060
- 资源: 1万+
![benefits](https://csdnimg.cn/release/downloadcmsfe/public/img/vip-rights-1.c8e153b4.png)
![privilege](https://csdnimg.cn/release/downloadcmsfe/public/img/vip-rights-2.ec46750a.png)
![article](https://csdnimg.cn/release/downloadcmsfe/public/img/vip-rights-3.fc5e5fb6.png)
![course-privilege](https://csdnimg.cn/release/downloadcmsfe/public/img/vip-rights-4.320a6894.png)
![rights](https://csdnimg.cn/release/downloadcmsfe/public/img/vip-rights-icon.fe0226a8.png)
我的内容管理 展开
我的资源 快来上传第一个资源
我的收益
登录查看自己的收益我的积分 登录查看自己的积分
我的C币 登录后查看C币余额
我的收藏
我的下载
下载帮助
![voice](https://csdnimg.cn/release/downloadcmsfe/public/img/voice.245cc511.png)
![center-task](https://csdnimg.cn/release/downloadcmsfe/public/img/center-task.c2eda91a.png)
![dialog-icon](https://csdnimg.cn/release/downloadcmsfe/public/img/green-success.6a4acb44.png)