雷鋒網(wǎng)按：本文為矩視智能創(chuàng)始人弭寶瞳投稿。矩視智能成立于 2017 年 10 月，專注于機器視覺，主要通過 SaaS 云平臺幫助提升工廠機器視覺開發(fā)、升級效率。弭寶瞳為中國人民大學計算機博士，曾在奇虎 360 任產(chǎn)品經(jīng)理、研發(fā)工程師。

一、背景知識

隨著自動化技術的快速發(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)量把控的關鍵步驟，借助缺陷檢測技術可以有效的提高生產(chǎn)質(zhì)量和效率。但是由于設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。

二、傳統(tǒng)算法

傳統(tǒng)的表面缺陷檢測算法結構通過圖像預處理得到便于檢測的圖像，隨后借助統(tǒng)計機器學習方法來提取圖像特征，進而實現(xiàn)缺陷檢測的目標。

圖像預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)學形態(tài)學、傅里葉變換、Gabor 變換等算法以及機器學習模型完成缺陷的標記與檢測。

上述傳統(tǒng)算法在某些特定的應用中已經(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。而深度學習可以直接通過學習數(shù)據(jù)更新參數(shù)，避免了人工設計復雜的算法流程，并且有著極高的魯棒性和精度。

三、深度學習

目前，基于深度學習的缺陷檢測已經(jīng)應用于金屬固件、布匹絲織物、建筑裂紋、鋼筋裂紋等多個領域，并取得了不錯的成果。下面將結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）與其建筑結構的安全性密不可分，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構損傷檢測更為可靠便捷。

本文使用Faster RCNN實現(xiàn)對圖像的準實時處理，其整體架構包括RPN和Fast RCNN兩部分，如上圖所示，RPN和Fast RCNN使用相同的CNN網(wǎng)絡從圖像中提取特征，CNN的主要結構如下圖所示。

RPN的作用為提出候選目標，結構示意如圖所示，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；

預測缺陷邊界框的坐標。

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

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（DCNNs）結合SSD，Yolo等網(wǎng)絡方法構建了一個從粗到細的級聯(lián)檢測網(wǎng)絡，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，對緊固件進行定位。

（2） 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)絡結構如下圖）。

DCNNs具有良好的魯棒性和自適應性，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，利用深度學習視覺檢測技術對相關產(chǎn)業(yè)的表面缺陷檢測引起了廣泛關注。

作者采用結合圖像金字塔層次結構思想和卷積去噪自編碼器網(wǎng)絡（CDAE）實現(xiàn)對布匹紋理圖像的缺陷檢測，其總體結構如下圖所示。

（1） 訓練階段

圖像預處理：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?。禾崛atch對每個金字塔層的CDAE網(wǎng)絡進行訓練；

模型訓練：利用訓練Patch的重構殘差作為像素級缺陷預測的指標；

閾值確定：區(qū)分缺陷點與無缺陷點的重要參數(shù)。

（2） 模型測試階段：

圖像預處理：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；

殘差貼圖構造：提取局部接受域在訓練后的模型中滑動，以對每一個像素進行預測；

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)督學習和多模態(tài)結果融合策略，可以提高缺陷檢測的魯棒性和準確性。

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構，下面將針對檢測模塊展開介紹。

（1） CASAE架構

將兩個自動編碼器（AE）級聯(lián)在一起，這里的AE結構是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，其結構如下圖所示。

（1） 閾值模塊

連接到CASAE網(wǎng)絡末端的獨立模塊，用于進一步細化預測掩碼的結果。

（2） 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分析以尋找準確的缺陷輪廓，最終從圖像中提取最小的外接矩形區(qū)域。

四、總結

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

雷鋒網(wǎng)

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.

雷鋒網(wǎng).雷鋒網(wǎng).

雷峰網(wǎng)特約稿件，未經(jīng)授權禁止轉載。詳情見轉載須知。