基于深度學(xué)習(xí)的產(chǎn)品缺陷檢測(cè)方法綜述

金映谷，張 濤，楊亞寧，王 月，劉玉婷

(大連民族大學(xué) a.機(jī)電工程學(xué)院；b.信息與通信工程學(xué)院，遼寧 大連 116605)

在實(shí)際生產(chǎn)過程中，由于生產(chǎn)設(shè)備、工藝流程、生產(chǎn)環(huán)境等各因素的影響，造成產(chǎn)品出現(xiàn)缺陷，如：剎車片的劃痕，齒輪表面出現(xiàn)振紋、魚鱗，磁瓦表面的氣孔、斷裂等，這些缺陷不僅直接影響產(chǎn)品的外觀和質(zhì)量，甚至在使用過程中會(huì)產(chǎn)生安全隱患。因此，在生產(chǎn)加工時(shí)，對(duì)工業(yè)產(chǎn)品表面進(jìn)行缺陷檢測(cè)十分必要[1]，既可以避免缺陷品流入市場(chǎng)，還可以及時(shí)改進(jìn)工藝流程，提高經(jīng)濟(jì)效益。本文以深度學(xué)習(xí)在工業(yè)產(chǎn)品缺陷檢測(cè)的應(yīng)用為論述中心，首先對(duì)國(guó)內(nèi)外深度學(xué)習(xí)及各種工業(yè)產(chǎn)品檢測(cè)技術(shù)的研究現(xiàn)狀進(jìn)行分析；然后對(duì)幾種典型的、使用頻率較高的應(yīng)用于工業(yè)產(chǎn)品缺陷檢測(cè)的深度學(xué)習(xí)模型進(jìn)行簡(jiǎn)單介紹；最后對(duì)基于深度學(xué)習(xí)的工業(yè)產(chǎn)品缺陷檢測(cè)技術(shù)進(jìn)行總結(jié)和展望。

1 國(guó)內(nèi)外研究現(xiàn)狀

1.1 缺陷檢測(cè)技術(shù)研究現(xiàn)狀

在加工過程中，工業(yè)產(chǎn)品缺陷檢測(cè)的相關(guān)工作越來越受到重視。缺陷檢測(cè)是指在不影響被檢測(cè)工件或材料工作性能的前提下，利用光、聲、電、熱、磁等特性檢測(cè)工件是否存在缺陷[2]。缺陷檢測(cè)方法經(jīng)歷了人工檢測(cè)、利用介質(zhì)進(jìn)行檢測(cè)和利用計(jì)算機(jī)檢測(cè)三個(gè)階段。

19世紀(jì)中期，第二次世界工業(yè)革命期間，當(dāng)時(shí)工業(yè)生產(chǎn)規(guī)模較小，自動(dòng)化程度低，缺陷檢測(cè)主要依賴人工檢測(cè)完成[3]。檢測(cè)方法以人工視覺檢測(cè)為主，只要求相應(yīng)的人工成本，無需專門的設(shè)備，但對(duì)于檢測(cè)人員的數(shù)量要求較多。該檢測(cè)方式有著檢測(cè)效率低、漏檢率高、人工成本高等諸多弊端。20世紀(jì)以來，制造業(yè)對(duì)產(chǎn)品質(zhì)量的要求越來越高，缺陷檢測(cè)技術(shù)進(jìn)入利用介質(zhì)對(duì)產(chǎn)品進(jìn)行缺陷檢測(cè)的階段。當(dāng)前應(yīng)用最廣的介質(zhì)檢測(cè)技術(shù)包括磁粉檢測(cè)技術(shù)、渦流檢測(cè)技術(shù)、滲透檢測(cè)技術(shù)和超聲波檢測(cè)技術(shù)等[4]。最近幾年，隨著科技的發(fā)展，缺陷檢測(cè)技術(shù)進(jìn)入到計(jì)算機(jī)圖像檢測(cè)階段，其中最熱門的技術(shù)是集圖像采集與深度學(xué)習(xí)于一體的缺陷檢測(cè)技術(shù)，對(duì)比于其他檢測(cè)技術(shù),準(zhǔn)確性高,檢測(cè)效率高,結(jié)構(gòu)簡(jiǎn)單。

1.2 深度學(xué)習(xí)研究現(xiàn)狀

在深度學(xué)習(xí)出現(xiàn)之前，大部分?jǐn)?shù)據(jù)處理使用機(jī)器學(xué)習(xí)中的淺層學(xué)習(xí)方法，常見的有：高斯混合模型[5]、支持向量機(jī)[6]、邏輯回歸、K均值聚類[7]等，淺層機(jī)器學(xué)習(xí)模型早已應(yīng)用于實(shí)際問題，但在處理一些具體的、繁瑣的(如圖像、語(yǔ)音、視頻等領(lǐng)域)問題時(shí)，表現(xiàn)效果并不理想。近幾年深度學(xué)習(xí)發(fā)展迅速，特別在圖像分類、自然語(yǔ)言處理、聲音識(shí)別等方面表現(xiàn)優(yōu)異。

1974年，Paul提出了反向傳播算法[8]，可以很好地解決神經(jīng)網(wǎng)絡(luò)模型加深時(shí)部分線性分類產(chǎn)生誤差的問題。此外，隨著神經(jīng)網(wǎng)絡(luò)層數(shù)的加深，研究人員依然面臨著訓(xùn)練結(jié)果不穩(wěn)定或“梯度消失”的問題。1998年，LeCun等[9]提出了著名的Lenet-5卷積神經(jīng)網(wǎng)絡(luò)，應(yīng)用于識(shí)別支票上的手寫數(shù)字，準(zhǔn)確率較高。2006年，Geoffery Hinto教授提出了深度信任網(wǎng)絡(luò)(Deep Belief Network, DBN)，成為局部最優(yōu)、梯度消失的有效解決方法，該模型在MNIST手寫數(shù)據(jù)庫(kù)上取得了98.8%的識(shí)別率。在深度信任網(wǎng)絡(luò)的啟發(fā)之下，Bengio等[10]在2007年提出層疊自動(dòng)編碼機(jī)(Stacked Auto-encoder, SAE)結(jié)構(gòu)，在MNIST手寫數(shù)字?jǐn)?shù)據(jù)庫(kù)上取得了98.6%的識(shí)別率。以上三種深度學(xué)習(xí)技術(shù)中的經(jīng)典架構(gòu)在聲音識(shí)別、圖像分類、文字處理等領(lǐng)域受到廣泛關(guān)注[11]。

深度學(xué)習(xí)框架于2010年前后在中國(guó)變得炙手可熱，基本上與人工智能行業(yè)爆發(fā)的節(jié)點(diǎn)吻合。近年來，深度學(xué)習(xí)在中國(guó)的工業(yè)產(chǎn)品檢測(cè)、語(yǔ)音識(shí)別、文字識(shí)別等領(lǐng)域表現(xiàn)突出。2013年，百度公司建立了深度學(xué)習(xí)研究院，并在語(yǔ)音識(shí)別、無人車、人臉識(shí)別、語(yǔ)音合成等領(lǐng)域取得了不錯(cuò)的成績(jī)[12-13]，其構(gòu)建的深度網(wǎng)絡(luò)在圖片檢索領(lǐng)域表現(xiàn)優(yōu)異。2018年7月，常海濤等[14]使用Faster R-CNN對(duì)工業(yè)CT圖像進(jìn)行缺陷檢測(cè)，該方法對(duì)于氣泡、夾渣和裂紋的檢測(cè)準(zhǔn)確率高達(dá)96%，且單張圖片的檢測(cè)時(shí)間達(dá)毫秒級(jí)。何俊杰等[15]對(duì)Faster R-CNN算法進(jìn)行改進(jìn)，使用多層的區(qū)域提議網(wǎng)絡(luò)結(jié)構(gòu)生成精確候選區(qū)域，根據(jù)候選區(qū)域的特征和目標(biāo)分類實(shí)現(xiàn)缺陷的識(shí)別和定位，使用該方法對(duì)6種類別的液晶屏邊框電路進(jìn)行缺陷識(shí)別定位，檢測(cè)速度平均單張0.12 s，準(zhǔn)確率94.6%。2019年3月，毛欣翔等[16]使用YOLO v3模型搭建了針對(duì)連鑄板坯表面的缺陷檢測(cè)計(jì)算平臺(tái)，實(shí)現(xiàn)了從采集數(shù)據(jù)到輸出結(jié)果存儲(chǔ)的端到端模式，使得檢測(cè)連鑄板坯時(shí)更加輕便且能夠?qū)崟r(shí)輸出結(jié)果。2020年1月，田珠等[17]使用Faster R-CNN檢測(cè)工業(yè)火花塞圖像焊縫的缺陷，準(zhǔn)確率達(dá)到93%，誤判、漏判率低。2020年6月，吳桐等[18]提出一種采用線陣圖像深度學(xué)習(xí)的電池組焊縫瑕疵檢測(cè)方法，該方法對(duì)焊縫單孔、穿孔、凹槽瑕疵的總識(shí)別率可達(dá)94%，平均檢測(cè)速度(4 096×4 000像素的單張工件圖像)0.97 s。

2 基于深度學(xué)習(xí)的缺陷檢測(cè)技術(shù)

深度學(xué)習(xí)可從狹義與廣義兩個(gè)方面理解，狹義是指具有具體結(jié)構(gòu)和固定訓(xùn)練方法并且包含多個(gè)隱層的神經(jīng)網(wǎng)絡(luò)[19]；廣義指具有多個(gè)層次結(jié)構(gòu)的機(jī)器學(xué)習(xí)算法[20]。深度學(xué)習(xí)的流程：輸入在網(wǎng)絡(luò)中逐層訓(xùn)練得到特征，進(jìn)行反向傳播、調(diào)整網(wǎng)絡(luò)的參數(shù)，得到最優(yōu)解后輸出。典型的深度學(xué)習(xí)模型分為卷積神經(jīng)網(wǎng)絡(luò)模型、深度信任網(wǎng)絡(luò)模型和自編碼網(wǎng)絡(luò)模型[21]。

2.1 基于卷積神經(jīng)網(wǎng)絡(luò)的缺陷檢測(cè)技術(shù)

卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Networks,CNN)是仿照生物的視覺接收和視覺認(rèn)知機(jī)制構(gòu)建的神經(jīng)網(wǎng)絡(luò)，是一種包含卷積運(yùn)算且具有深度結(jié)構(gòu)的前饋神經(jīng)網(wǎng)絡(luò)。目前成為缺陷檢測(cè)的主要方法，這里將基于卷積神經(jīng)網(wǎng)絡(luò)的缺陷檢測(cè)模型分為兩大類：一類是基于分類的卷積神經(jīng)網(wǎng)絡(luò)缺陷檢測(cè)模型；另一類是“端”到“端”的卷積神經(jīng)網(wǎng)絡(luò)缺陷檢測(cè)模型。在缺陷檢測(cè)應(yīng)用中常見的部分神經(jīng)網(wǎng)絡(luò)模型分類情況如圖1。

由于缺陷檢測(cè)也是目標(biāo)檢測(cè)的一種，以下關(guān)于模型理解部分均以目標(biāo)檢測(cè)過程為主。

2.1.1 基于分類的CNN缺陷檢測(cè)模型

CNN可用于特征的提取、選擇和分類操作，建立滑動(dòng)窗口，并以一定步長(zhǎng)在圖像上滑動(dòng)產(chǎn)生候選區(qū)，判斷候選區(qū)內(nèi)是否為缺陷區(qū)域。在檢測(cè)時(shí)可以簡(jiǎn)單分為三個(gè)步驟：窗口滑動(dòng)、候選區(qū)域的產(chǎn)生及圖像分類和后續(xù)處理，窗口滑動(dòng)和后續(xù)處理的方法固定。由此，研究的重點(diǎn)應(yīng)放在如何提升CNN的特征提取、選擇及分類能力方面，進(jìn)而提高圖像的準(zhǔn)確度。

在R-CNN中，使用簡(jiǎn)單的區(qū)域劃分算法將圖片劃分為很多小區(qū)域，按照層級(jí)分組方法以一定的相似度合并區(qū)域，最后剩下的候選區(qū)域被歸一化為同一固定大小送入網(wǎng)絡(luò)模型中提取圖像特征，將這些特征向量送入多類別分類器，依據(jù)特征向量推斷屬于某一類別的概率大小，選取概率最大的類別作為結(jié)果輸出。R-CNN直觀地將檢測(cè)問題轉(zhuǎn)化為分類問題，但R-CNN模型需統(tǒng)一候選區(qū)的大小后才可進(jìn)行特征提取和分類，且提取的候選框會(huì)在特征提取時(shí)重復(fù)計(jì)算。

Fast R-CNN解決了R-CNN特征提取時(shí)選框重復(fù)計(jì)算的問題。該模型使用Selective Search找出候選框后，整張圖輸入CNN中，使用該模型中的核心結(jié)構(gòu)Roi Pooling層，對(duì)應(yīng)候選框的部分做采樣，經(jīng)過兩層全連接層之后得到最終的特征。接著同時(shí)進(jìn)行兩個(gè)操作，一是對(duì)特征進(jìn)行分類，二是回歸此特征的候選框偏移。該模型很好地將分類和回歸任務(wù)融合在一個(gè)模型中。

在Faster R-CNN中RPN算法的作用替代了部分Selective Search，產(chǎn)生候選區(qū)域的速度更快。其中RPN網(wǎng)絡(luò)接受整張圖片并提取特征圖，回歸候選框，然后在feature map上對(duì)應(yīng)每個(gè)滑窗位置都映射一個(gè)特征。而后同F(xiàn)ast R-CNN操作相同，分別進(jìn)行分類和回歸操作。但此模型不能很好地保留和提取小尺度目標(biāo)的特征[15]，且檢測(cè)速度較慢。

Mask R-CNN在Faster R-CNN基礎(chǔ)上進(jìn)一步擴(kuò)展，在每個(gè)ROI區(qū)域加上一個(gè)用于預(yù)測(cè)分隔掩碼的掩碼層，可以更好地實(shí)現(xiàn)像素級(jí)別的圖像實(shí)例分割，將目標(biāo)檢測(cè)與目標(biāo)分割同時(shí)處理，可以取得較好的實(shí)例分割效果。同時(shí)用Roi Align層替代Roi Pooling層解決了misalignment問題，且該模型利用區(qū)域候選網(wǎng)絡(luò)替代滑動(dòng)窗口的方式提取候選區(qū)，因此需要候選區(qū)的數(shù)量減少[22]，使得該方法的準(zhǔn)確率和速度都得到了較大提升。但此模型對(duì)候選區(qū)提取方法的依賴性較強(qiáng)，若背景復(fù)雜則會(huì)檢測(cè)失敗。

Inception系列網(wǎng)絡(luò)也是CNN分類網(wǎng)絡(luò)中比較常用的一種，Inception網(wǎng)絡(luò)起源于2014年的GoogLeNet，經(jīng)過不斷演化，現(xiàn)在已經(jīng)迭代到Inception-v4版本[23]。Inception模型很好地解決了增加網(wǎng)絡(luò)深度和寬度的同時(shí)減少參數(shù)的問題。Inception v1[24]通過將1×1，3×3，5×5的卷積核和3×3的池化卷積核堆疊在一起，增加了網(wǎng)絡(luò)寬度，降低了feature map的厚度，在ImageNet分類結(jié)果中測(cè)試誤差為6.67%。在此基礎(chǔ)上又提出了Inception v2[25]，在v1基礎(chǔ)上加入了BN層，標(biāo)準(zhǔn)化每一層的輸出結(jié)果，另外為了降低參數(shù)量，使用2個(gè)3×3的卷積核代替了5×5，提升運(yùn)算速度。Inception v2的測(cè)試誤差降低到4.8%。Inception v3[26]加入了降維思想，例如將一個(gè)3×3的卷積核拆成1×3和3×1的卷積核，這使得網(wǎng)絡(luò)深度進(jìn)一步加深，同時(shí)增加網(wǎng)絡(luò)的非線性，測(cè)試誤差降低至3.5%。Inception v4則是將Inception模塊與殘差網(wǎng)絡(luò)相結(jié)合，極大地提升了訓(xùn)練的速度，測(cè)試誤差降低至3.08%。由于Inception v3作為一個(gè)已經(jīng)預(yù)訓(xùn)練好的圖像分類模型，使用簡(jiǎn)單方便，準(zhǔn)確率高，被更多地應(yīng)用。

2.1.2 “端”到“端”的卷積神經(jīng)網(wǎng)絡(luò)缺陷檢測(cè)模型

對(duì)比于上述幾種模型，YOLO算法和SSD算法可以實(shí)現(xiàn)“端”到“端”的目標(biāo)檢測(cè)，輸入被測(cè)圖像，輸出目標(biāo)圖像。YOLO可實(shí)現(xiàn)在一個(gè)CNN中進(jìn)行檢測(cè)操作，算法簡(jiǎn)潔，檢測(cè)速度快，不易對(duì)背景誤判，泛化能力強(qiáng)，在做遷移學(xué)習(xí)時(shí)魯棒性好。YOLO還經(jīng)常與Inception一起使用，YOLO作為圖像分類算法，Inception作為目標(biāo)檢測(cè)算法，兩者結(jié)合使用表現(xiàn)優(yōu)異。但YOLO在定位細(xì)長(zhǎng)的物體時(shí)無法很好地泛化。SSD算法使用一個(gè)C+1類分類器判斷錨框里包含的是物體或是背景，若包含物體則進(jìn)一步判斷物體種類。且SSD可以將CNN輸出的特征進(jìn)一步通過卷積和池化處理，實(shí)現(xiàn)多尺度預(yù)測(cè)。

2.2 基于深度信任網(wǎng)絡(luò)的缺陷檢測(cè)技術(shù)

深度信任網(wǎng)絡(luò)(Deep Belief Networks，DBN)算法[27]是典型的深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)模型之一，既可用于非監(jiān)督學(xué)習(xí)，也可以用于監(jiān)督學(xué)習(xí)。DBN的組成元件是受限玻爾茲曼機(jī)(Restricted Boltzmann Machines, RBM)，RBM[28-29]由可視層和隱含層構(gòu)成，分別作為輸入訓(xùn)練數(shù)據(jù)和特征檢測(cè)器使用，DBN算法的本質(zhì)是如何更好地進(jìn)行特征表達(dá)。由于DBN由多個(gè)RBM組成，在訓(xùn)練中第一個(gè)RBM進(jìn)行充分訓(xùn)練后固定權(quán)重和偏移量，將第一個(gè)RBM的隱含層作為第二個(gè)RBM的可視層，將數(shù)據(jù)輸入第二個(gè)RBM繼續(xù)訓(xùn)練，第二個(gè)RBM充分訓(xùn)練后，重復(fù)一、二間的過程直至得到較為理想的數(shù)據(jù)，DBN結(jié)構(gòu)的最后一層為微調(diào)，使用BP算法對(duì)判別性能做一個(gè)標(biāo)簽集并被附加到頂層，給從下而上的學(xué)習(xí)設(shè)置BP網(wǎng)絡(luò)用以調(diào)優(yōu)，因?yàn)锽P算法對(duì)權(quán)值參數(shù)空間僅是一個(gè)局部的搜索，相較于前向神經(jīng)網(wǎng)絡(luò)訓(xùn)練較快，而且收斂的時(shí)間也少。

2.3 基于自編碼器的缺陷檢測(cè)技術(shù)

自編碼器(Autoencoder, AE)是一類在半監(jiān)督學(xué)習(xí)和非監(jiān)督學(xué)習(xí)中使用的人工神經(jīng)網(wǎng)絡(luò)，其功能是通過將輸入信息作為學(xué)習(xí)目標(biāo)，對(duì)輸入信息進(jìn)行表征學(xué)習(xí)[30-31]，包含編碼器和解碼器兩部分。自編碼器可按學(xué)習(xí)范式和構(gòu)筑類型分類，如圖2。

進(jìn)行缺陷檢測(cè)時(shí)常由于數(shù)據(jù)量過大，包含的冗余信息及噪音信息會(huì)對(duì)識(shí)別產(chǎn)生影響，降低準(zhǔn)確率，又或者想通過數(shù)據(jù)降維尋找數(shù)據(jù)內(nèi)部的本質(zhì)結(jié)構(gòu)特征，提升模型訓(xùn)練速度，因此數(shù)據(jù)降維是提升檢測(cè)準(zhǔn)確率的方法之一。自編碼器接收輸入將其轉(zhuǎn)換成高效的內(nèi)部表示，這一過程稱為編碼，由于其維度一般遠(yuǎn)小于輸入數(shù)據(jù)，自編碼器應(yīng)用于降維方面表現(xiàn)很好，在輸出結(jié)果之前，經(jīng)過解碼函數(shù)將高效的內(nèi)部表示重構(gòu)為類似輸入的結(jié)構(gòu)輸出。另一方面，自編碼器可作為強(qiáng)大的特征檢測(cè)器，可應(yīng)用于深度神經(jīng)網(wǎng)絡(luò)的預(yù)訓(xùn)練，在樣本數(shù)據(jù)不充足的情況下，對(duì)網(wǎng)絡(luò)進(jìn)行預(yù)訓(xùn)練會(huì)提升檢測(cè)的準(zhǔn)確率。

現(xiàn)有的基于自編碼器的缺陷檢測(cè)方法大致分為三類：第一類是將自編碼器用于特征提取，結(jié)合分類器或深度網(wǎng)絡(luò)進(jìn)行分類，最后輸出檢測(cè)結(jié)果；第二類是使用去噪自編碼器將缺陷視為噪聲去除，得到無缺陷的圖片樣本，將無缺陷檢測(cè)樣本和原圖進(jìn)行求差操作得到殘差圖，并使用閾值分割方法，分割出缺陷區(qū)域，實(shí)現(xiàn)檢測(cè)；第三類是將自編碼器用于深度網(wǎng)絡(luò)的預(yù)訓(xùn)練，以彌補(bǔ)樣本不足對(duì)深度網(wǎng)絡(luò)模型帶來的影響。

2.4 深度學(xué)習(xí)缺陷檢測(cè)技術(shù)的應(yīng)用研究

在進(jìn)行產(chǎn)品缺陷檢測(cè)時(shí)，通過對(duì)缺陷檢測(cè)技術(shù)應(yīng)用不同深度學(xué)習(xí)網(wǎng)絡(luò)模型面對(duì)不同工業(yè)制品的應(yīng)用情況研究，分析檢測(cè)網(wǎng)絡(luò)模型在實(shí)驗(yàn)中存在的問題，有目的地優(yōu)化現(xiàn)有算法，從而提高缺陷檢測(cè)的準(zhǔn)確率和速度。深度學(xué)習(xí)中各典型網(wǎng)絡(luò)應(yīng)用于工業(yè)產(chǎn)品缺陷檢測(cè)的優(yōu)缺點(diǎn)見表1。

通過檢測(cè)方法、被檢對(duì)象、檢測(cè)精度三方面對(duì)近五年相關(guān)應(yīng)用研究進(jìn)行總結(jié)見表2。

表1 基于深度學(xué)習(xí)缺陷檢測(cè)方法的比較

表2 基于深度學(xué)習(xí)工業(yè)產(chǎn)品缺陷檢測(cè)的應(yīng)用研究

續(xù)表2 基于深度學(xué)習(xí)工業(yè)產(chǎn)品缺陷檢測(cè)的應(yīng)用研究

3 存在問題和發(fā)展趨勢(shì)

3.1 存在問題

基于深度學(xué)習(xí)的缺陷檢測(cè)技術(shù)在理論層面和實(shí)際應(yīng)用層面都取得了較好成績(jī)，但依舊存在以下問題：

(1)采集圖像時(shí)，光照環(huán)境、背景復(fù)雜度等外界因素會(huì)影響缺陷特征的提取進(jìn)而影響檢測(cè)精度，同時(shí)硬件設(shè)備帶來的圖像畸變及噪聲等因素也會(huì)在一定程度上影響圖像的質(zhì)量、檢測(cè)的性能。如何高質(zhì)量地采集圖像，減少外界因素的干擾是目前需要解決的問題之一；

(2)在實(shí)際采集數(shù)據(jù)的過程中，除了需要避免外界因素影響，數(shù)據(jù)本身的全面性也是需要考慮的因素。在一些檢測(cè)項(xiàng)目中，缺陷樣本的數(shù)量不夠充分，種類不夠豐富，會(huì)導(dǎo)致網(wǎng)絡(luò)模型不能完整、準(zhǔn)確地學(xué)習(xí)缺陷的特征，無法正確檢測(cè)。如何快速、準(zhǔn)確、全面地獲取缺陷特征，保證實(shí)際應(yīng)用時(shí)檢測(cè)的準(zhǔn)確率是目前需要解決的另一個(gè)問題；

(3)基于卷積神經(jīng)網(wǎng)絡(luò)的缺陷檢測(cè)系統(tǒng)很大程度上依賴于候選框的回歸，候選框回歸產(chǎn)生偏差，或因目標(biāo)屬于小尺寸目標(biāo)，導(dǎo)致無法生成候選框，無法精準(zhǔn)定位缺陷位置等問題，急需優(yōu)化候選框生成和校正回歸誤差的算法，優(yōu)化提取小尺寸目標(biāo)特征時(shí)的算法；

(4)現(xiàn)有的算法應(yīng)用到實(shí)際生產(chǎn)過程中會(huì)產(chǎn)生一些實(shí)時(shí)性問題。在保證檢測(cè)系統(tǒng)精度和效率的情況下，如何提高系統(tǒng)的準(zhǔn)確性與實(shí)時(shí)性也是目前需要考慮的問題。

3.2 發(fā)展趨勢(shì)

在目前工業(yè)產(chǎn)品缺陷檢測(cè)中，深度學(xué)習(xí)已應(yīng)用到機(jī)械零件(如火花塞、軸承、錨桿等)、汽車零件、芯片、半導(dǎo)體晶圓等各種產(chǎn)品的缺陷檢測(cè)上?；谏疃葘W(xué)習(xí)的缺陷檢測(cè)將成為未來的發(fā)展趨勢(shì)，具體有如下幾個(gè)研究方面：

(1)基于上述存在的問題，如何優(yōu)化圖像采集的質(zhì)量，提高候選框的精度，更加全面、準(zhǔn)確地提取特征進(jìn)行學(xué)習(xí)，對(duì)于小尺寸目標(biāo)的特征提取，都是未來需要研究的方向；

(2)如今涌現(xiàn)大量的神經(jīng)網(wǎng)絡(luò)(包括針對(duì)某一問題進(jìn)行改進(jìn)的神經(jīng)網(wǎng)絡(luò))各有優(yōu)缺點(diǎn)，這些網(wǎng)絡(luò)都是基于大量數(shù)據(jù)實(shí)現(xiàn)的，如何使用較少的圖片樣本訓(xùn)練出表現(xiàn)優(yōu)異的識(shí)別模型是一大難點(diǎn)；

(3)目前的缺陷檢測(cè)技術(shù)大多是基于二維平面的，只能單一檢測(cè)某一平面，如何對(duì)某一物體進(jìn)行全方位的缺陷檢測(cè)(如利用三維建模等)也是未來研究的方向；

(4)在產(chǎn)品衍生物越來越多的今天，如何將一個(gè)已經(jīng)訓(xùn)練好的模型遷移到另一個(gè)類似產(chǎn)品上，并保證其準(zhǔn)確率和檢測(cè)效率，也有待研究；

(5)在檢測(cè)出缺陷并明確是何種缺陷后，對(duì)該物體的信息善后及處理是十分重要的，同時(shí)將缺陷產(chǎn)品與無缺陷產(chǎn)品分離也是十分必要的。缺陷檢測(cè)系統(tǒng)可以與預(yù)警系統(tǒng)結(jié)合，在檢測(cè)出缺陷產(chǎn)品后及時(shí)示警，工作人員可以及時(shí)剔除缺陷產(chǎn)品；或與分揀系統(tǒng)結(jié)合，由機(jī)械手剔除缺陷產(chǎn)品，另外還可建立溯源系統(tǒng)，排查生產(chǎn)工藝中會(huì)使產(chǎn)品產(chǎn)生缺陷的步驟，并及時(shí)優(yōu)化生產(chǎn)工藝，從而降低生產(chǎn)成本。

4 結(jié) 語(yǔ)

產(chǎn)品的質(zhì)量和外表的完整度對(duì)于產(chǎn)品的評(píng)價(jià)十分重要，缺陷檢測(cè)的應(yīng)用具有極其重要的實(shí)際意義，廣大科研工作者和企業(yè)都熱衷于缺陷檢測(cè)的研究。本文針對(duì)基于深度學(xué)習(xí)的工業(yè)產(chǎn)品缺陷檢測(cè)方法進(jìn)行綜述，對(duì)基于卷積神經(jīng)網(wǎng)絡(luò)、深度信任網(wǎng)絡(luò)及自編碼器的缺陷檢測(cè)技術(shù)進(jìn)行了介紹，總結(jié)近五年國(guó)內(nèi)外的相關(guān)研究成果，同時(shí)結(jié)合實(shí)際指出當(dāng)前基于深度學(xué)習(xí)的工業(yè)產(chǎn)品缺陷檢測(cè)技術(shù)存在的問題，并給出該技術(shù)未來的發(fā)展方向，以輔助相關(guān)研究人員、企業(yè)等有針對(duì)性地進(jìn)行知識(shí)重用及設(shè)計(jì)創(chuàng)新。