基于深度學習的缺陷檢測方法

1、全監督模型：基于表征學習的缺陷檢測模型，基于度量學習的缺陷檢測模型

1.1、基于表征學習的缺陷檢測模型：分類網絡，檢測網絡，分割網絡；

其中分類網絡的使用方式主要有三種：

????????直接使用分類網絡進行分類，利用分類網絡進行缺陷定位，利用分類網絡作為特征提取器

檢測網絡主要有兩種：

????????基于單階段的網絡和基于兩階段的網絡

分割網絡主要有：

????????基于FCN網絡的分割網絡，基于Masck R-CNN網絡的分割網絡

1.2、基于度量學習的缺陷檢測方法：孿生網絡

2、無監督學習模型，主要是是基于正常樣本的學習，圖像空間以及特征空間進行處理（自編碼器以及對抗神經網絡）

3、基于半監督模型以及基于若監督模型

缺陷檢測的小樣本問題：數據擴增、合成與生成；網絡預訓練或遷移學習；網絡結構的優化；采用無監督或者半監督的模型方法，減少對樣本的需求。

圖像特征提取：viT（vision transformer）

經典圖像分割方法：閾值法，區域生長法，分水嶺算法，邊緣檢測算法，小波變換算法，基于主動輪廓模型的方法

PointNet模型，直接輸入點云向量，通過學習一個變換矩陣用于對齊，從而獲得具備空間變換不變性的空間編碼表示，通過最大池化融合所有點的特征，提取全局點云特征。

缺陷檢測檢測主要功能是從特征圖重識別缺陷，并對缺陷進行分類和定位，根據表現缺陷檢測算法的任務目標和實現原理，可以分為：模板匹配，圖像分類，目標檢測，圖像語義分割和異常檢測。

圖像分類的方式進行處理缺陷檢測，即判斷圖像窗口內是否為缺陷，或者屬于哪一類缺陷，目標檢測可以一次性檢測出卻顯得類別，位置和大小，缺陷的位置和大小可以用Bounding box進行描述，進一步使用圖像語義分割找出背景中可能存在的區域，并輸出像素級得缺陷邊界。

????????模板匹配：根據已知模板圖像到另一待檢圖像中尋找與模板圖像相似得子圖像，然后通過相似度度量計算模板與待檢樣本之間的相似性，判斷樣本是否存在缺陷，模板方法一般分為兩大類：基于灰度得匹配方法與基于特征得匹配方法。

?基于灰度匹配得方法也稱為圖像相關匹配算法，逐像素將匹配窗口與模板圖像的所有可能窗口的灰度陣列按某種相似度度量指標進行搜索比較的匹配方法。（計算量小，硬件需求不高，但是要求兩幅圖具有大量重復像素）

?基于特征的方法大致分為 ：特征匹配，邊緣特征匹配，區域匹配三類（特征空間中度量特征之間的相似性，經典距離度量指標有馬爾可夫聚類，hausdorff距離，互信息等）

?模板匹配中需要解決兩幅圖像之間的集合位置差異，包括剛體變換，仿射變換，投影變換，多項式變換等。用合適的搜索方法在搜索空間中找出幾何變換參數的最有估計，是的圖像經過變換之后的相似度最大，包括窮盡搜索，分層搜索，模擬退火，動態規劃，遺傳算法和神經網絡等。