復(fù)雜場景下的復(fù)雜缺陷檢測方法--深度學(xué)習(xí)算法綜述

重磅干貨，第一時間送達
本文轉(zhuǎn)自|OpenCV學(xué)堂

隨著自動化技術(shù)的快速發(fā)展，在工業(yè)生產(chǎn)中很多需要人工操作的環(huán)節(jié)逐漸轉(zhuǎn)由機器完成，工業(yè)生產(chǎn)自動化也將越來越多的工人們從枯燥乏味的工作中解放出來，讓他們?nèi)グl(fā)揮更大的價值。

產(chǎn)品表面缺陷檢測是工業(yè)生產(chǎn)中的重要環(huán)節(jié)，是產(chǎn)品質(zhì)量把控的關(guān)鍵步驟，借助缺陷檢測技術(shù)可以有效的提高生產(chǎn)質(zhì)量和效率。但是由于設(shè)備及工藝等因素的影響，產(chǎn)品表面的缺陷類型往往五花八門，比如織物生產(chǎn)中方出現(xiàn)的污點、破損，金屬產(chǎn)品上的劃痕、裂紋、凹凸不平等各種不同類型的缺陷，如下圖所示。

單張圖片中的缺陷多樣且不同缺陷表現(xiàn)形式的也不相同，給缺陷的自動化檢測帶來了困難。

傳統(tǒng)的表面缺陷檢測算法結(jié)構(gòu)通過圖像預(yù)處理得到便于檢測的圖像，隨后借助統(tǒng)計機器學(xué)習(xí)方法來提取圖像特征，進而實現(xiàn)缺陷檢測的目標(biāo)。

圖像預(yù)處理通常包括直方圖均衡化、濾波去噪、灰度二值化、再次濾波幾部分，以得到前后景分離的簡單化圖像信息；隨后利用數(shù)學(xué)形態(tài)學(xué)、傅里葉變換、Gabor 變換等算法以及機器學(xué)習(xí)模型完成缺陷的標(biāo)記與檢測。

上述傳統(tǒng)算法在某些特定的應(yīng)用中已經(jīng)取得了較好的效果，但仍然存在許多不足。例如：圖像預(yù)處理步驟繁多且具有強烈的針對性，魯棒性差；多種算法計算量驚人且無法精確的檢測缺陷的大小和形狀。而深度學(xué)習(xí)可以直接通過學(xué)習(xí)數(shù)據(jù)更新參數(shù)，避免了人工設(shè)計復(fù)雜的算法流程，并且有著極高的魯棒性和精度。

目前，基于深度學(xué)習(xí)的缺陷檢測已經(jīng)應(yīng)用于金屬固件、布匹絲織物、建筑裂紋、鋼筋裂紋等多個領(lǐng)域，并取得了不錯的成果。下面將結(jié)合具體案例介紹其實現(xiàn)方法。

3.1裂紋缺陷檢測^[1]

建筑材料（如磁瓦等）的外觀變化（如裂紋或腐蝕等）與其建筑結(jié)構(gòu)的安全性密不可分，而依靠檢察員視覺檢查的效果局限性大，相比之下，基于計算機視覺的結(jié)構(gòu)損傷檢測更為可靠便捷。

本文使用Faster RCNN實現(xiàn)對圖像的準(zhǔn)實時處理，其整體架構(gòu)包括RPN和Fast RCNN兩部分，如上圖所示，RPN和Fast RCNN使用相同的CNN網(wǎng)絡(luò)從圖像中提取特征，CNN的主要結(jié)構(gòu)如下表所示。

RPN的作用為提出候選目標(biāo)，結(jié)構(gòu)示意如圖所示，其實現(xiàn)流程包括：

• 輸入圖像后，利用CNN網(wǎng)絡(luò)得到特征圖；

• 將特征圖上每一個CONV滑動窗的特征映射為向量并輸入Softmax和Regressor層中；

• 預(yù)測缺陷邊界框的坐標(biāo)。

Fast RCNN的作用為對圖像中的缺陷位置進行定位和分類，其結(jié)構(gòu)流程如上圖所示。

• 從輸入圖像中提取特征圖并獲得感興趣區(qū)域（ROI）；

• 在ROI池中，預(yù)先計算的興趣區(qū)域覆蓋在特征圖上，提取固定大小的特征向量；

• 將所得向量輸入全連接層，計算邊界框的位置并對框內(nèi)對象進行分類。

3.2破損缺陷檢測^[2]

在電氣化鐵路等工業(yè)中，有許多關(guān)系著安全的重要固件，這些固件的缺陷檢測十分重要。

本文作者利用深度卷積神經(jīng)網(wǎng)絡(luò)（DCNNs）結(jié)合SSD，Yolo等網(wǎng)絡(luò)方法構(gòu)建了一個從粗到細的級聯(lián)檢測網(wǎng)絡(luò)，包括固件的定位、缺陷檢測與分類，其實現(xiàn)流程如下圖所示。

1. 緊固件提取

• 借助在速度和精度方面都表現(xiàn)良好的SSD框架，對圖像中的懸臂節(jié)點進行定位；

• 基于Yolo框架的快速本地化架構(gòu)，對緊固件進行定位。

1. 固件缺陷檢測與分類

• 根據(jù)第二階段對緊固件的檢測來判斷缺陷；

• 再次借助DCNN，通過4個卷積層對缺陷進行分類（分類網(wǎng)絡(luò)結(jié)構(gòu)如下圖）。

DCNNs具有良好的魯棒性和自適應(yīng)性，有利于檢測的快速進行，因此本方法在緊固件的缺陷檢測和分類中具有良好的應(yīng)用前景。

3.3斑點缺陷檢測^[3,4]

斑點缺陷檢測在紡織、木材、瓷磚等許多行業(yè)中都很常見，通常利用其紋理的一致性實現(xiàn)檢測的目的。近年來，利用深度學(xué)習(xí)視覺檢測技術(shù)對相關(guān)產(chǎn)業(yè)的表面缺陷檢測引起了廣泛關(guān)注。

作者采用結(jié)合圖像金字塔層次結(jié)構(gòu)思想和卷積去噪自編碼器網(wǎng)絡(luò)

（CDAE）實現(xiàn)對布匹紋理圖像的缺陷檢測，其總體結(jié)構(gòu)如下圖所示。

1. 訓(xùn)練階段

• 圖像預(yù)處理：光照歸一化、高斯金字塔下采樣和噪聲降噪等操作，避免光照等因素的影響；

• Patch提取：提取Patch對每個金字塔層的CDAE網(wǎng)絡(luò)進行訓(xùn)練；

• 模型訓(xùn)練：利用訓(xùn)練Patch的重構(gòu)殘差作為像素級缺陷預(yù)測的指標(biāo)；

• 閾值確定：區(qū)分缺陷點與無缺陷點的重要參數(shù)。

1. 模型測試階段：

• 圖像預(yù)處理：只需進行光照歸一化和高斯金字塔下采樣操作即可；

• Patch提?。禾崛atch用于紋理檢測；

• 殘差貼圖構(gòu)造：提取局部接受域在訓(xùn)練后的模型中滑動，以對每一個像素進行預(yù)測；

• 缺陷分割：對每個金字塔層的殘差圖進行分割；

• 合成：將多個金字塔級別的信息合成，以提高缺陷檢測的魯棒性和準(zhǔn)確性。

文章通過分析和實驗已經(jīng)證明，充分利用無監(jiān)督學(xué)習(xí)和多模態(tài)結(jié)果融合策略，可以提高缺陷檢測的魯棒性和準(zhǔn)確性。

3.4劃痕缺陷檢測^[5]

劃痕缺陷檢測通常用于金屬類產(chǎn)品的表面缺陷檢測中，隨著生活質(zhì)量的提高，人們對產(chǎn)品的外觀完整性與美觀程度的要求也越來越高，因此精準(zhǔn)地檢測到產(chǎn)品外觀的劃痕等缺陷在生產(chǎn)環(huán)節(jié)十分重要。

使用上圖所示的缺陷檢測體系結(jié)構(gòu)，下面將針對檢測模塊展開介紹。

1. CASAE架構(gòu)

將兩個自動編碼器（AE）級聯(lián)在一起，這里的AE結(jié)構(gòu)是FCN框架的遷移使用，有一層層的卷積、反卷積和跳躍鏈接組成，其結(jié)構(gòu)如下圖所示。

1. 閾值模塊

連接到CASAE網(wǎng)絡(luò)末端的獨立模塊，用于進一步細化預(yù)測掩碼的結(jié)果。

1. 缺陷區(qū)域檢測

通過語義分割獲得所有可能缺陷的區(qū)域，進一步使用blob分析以尋找準(zhǔn)確的缺陷輪廓，最終從圖像中提取最小的外接矩形區(qū)域。

本文參考前沿文獻，總結(jié)了部分當(dāng)前主流的缺陷檢測實現(xiàn)思路?？偟膩碚f，使用基于深度學(xué)習(xí)的算法可快速準(zhǔn)確地實現(xiàn)的缺陷檢測，且適用范圍廣能夠靈活地應(yīng)用于建筑、金屬固件以及布匹絲織物等眾多行業(yè)的生產(chǎn)過程中。

作者：北京矩視智能科技有限公司

參考文獻：

[1] Cha Y J et al. Autonomous structural visual inspection using region‐based deep learning for detecting multiple damage types[J]. Computer‐Aided Civil and Infrastructure Engineering, 2018.

[2] Chen J et al. Automatic defect detection of fasteners on the catenary support device using deep convolutional neural network[J]. IEEE Transactions on Instrumentation and Measurement, 2017.

[3] Mei S et al. An unsupervised-learning-based approach for automated defect inspection on textured surfaces[J]. IEEE Transactions on Instrumentation and Measurement, 2018.

[4] Mei S el al. Automatic fabric defect detection with a multi-scale convolutional denoising autoencoder network model[J]. Sensors, 2018.

[5] Tao X et al. Automatic metallic surface defect detection and recognition with convolutional neural networks[J]. Applied Sciences, 2018.

好消息，小白學(xué)視覺團隊的知識星球開通啦，為了感謝大家的支持與厚愛，團隊決定將價值149元的知識星球現(xiàn)時免費加入。各位小伙伴們要抓住機會哦！

交流群

歡迎加入公眾號讀者群一起和同行交流，目前有SLAM、三維視覺、傳感器、自動駕駛、計算攝影、檢測、分割、識別、醫(yī)學(xué)影像、GAN、算法競賽等微信群（以后會逐漸細分），請掃描下面微信號加群，備注：”昵稱+學(xué)校/公司+研究方向“，例如：”張三 + 上海交大 + 視覺SLAM“。請按照格式備注，否則不予通過。添加成功后會根據(jù)研究方向邀請進入相關(guān)微信群。請勿在群內(nèi)發(fā)送廣告，否則會請出群，謝謝理解~