抽象
金属表面缺陷检测是控制工业产品质量的必不可少的过程。但是，由于有限的数据规模和缺陷类别，通常无法使用现有的缺陷数据集来部署检测模型。为了解决这个问题，我们提供了一个名为GC10-DET的新数据集，用于大规模金属表面缺陷检测。GC10-DET数据集在缺陷类别，图像数量和数据规模方面面临巨大挑战。此外，对于复杂的现实环境，传统的检测方法在效率和准确性上均较差。因此，我们还提出了一种基于新型端到端缺陷检测网络（EDDN）。EDDN模型可以处理不同规模的缺陷。此外，为了减轻数据不平衡的问题，设计了一种硬否定挖掘的方法，同时针对昂贵的数据收集问题，采用了一些数据扩充的方法来丰富训练数据。在两个数据集上进行的广泛实验表明，该方法是鲁棒的，可以满足金属缺陷检测的精度要求。
简介
表面缺陷对工业产品的质量有较大的不利影响。金属缺陷检测已被利用来满足业界的预定质量要求。因此，近年来，金属表面缺陷检测引起了越来越多的兴趣，并在工业应用中对质量控制取得了积极的进步[。但是，金属表面缺陷检测很容易受到许多环境因素的影响，例如照明，光反射和金属材料。这些因素大大增加了表面缺陷检测的难度。
图中显示了行业中捕获的一些缺陷。在现实环境中，缺陷类型多种多样且复杂，包括裂纹，夹杂物，斑块，凹痕表面和划痕。但是，大多数现有缺陷数据集的数据规模和缺陷丰富度都很差，甚至限于少数几类。具体而言，数据集的大小通常限制为几百个，这可能导致在复杂的工业场景下具有较弱的鲁棒性和泛化性的检测模型。为了解决这个问题，有必要引入一个更接近实际情况的新基准。因此，我们构建了一个新的金属表面缺陷数据集。
在现实世界的工业环境中，通常使用机器视觉技术来检测生产线上的金属表面缺陷。通常，这些技术指的是传统的图像处理和深度学习，旨在分析和检测制造商中收集的缺陷。尽管传统的图像处理技术已经成功地用于检测表面缺陷，但是基于深度学习的方法在表面缺陷检测和其他工业应用（例如汽车工业 ，水果分类和对象检测）中都显示出巨大的优势。[
传统图像处理技术的主要思想是通过精心设计的手工特征来描述表面缺陷。常用的手工特征包括LBP（局部二进制模式），HOG（定向梯度的直方图），GLCM（灰度共现矩阵）和其他统计特征。对于输入的金属表面图像，关键是选择合适的特征来表示缺陷信息。根据表面缺陷的表示，训练分类器以识别和分类缺陷。这些检测方法对于各种表面缺陷检测已经取得了很大的进步。但是，由于传统的图像处理方法通常需要复杂的阈值设置以进行缺陷识别，因此无法直接在现实中部署。对某些环境因素（例如照明条件和背景）敏感。如果环境因素发生变化，则应再次仔细调整这些阈值设置，否则，由于缺乏适应性和鲁棒性，该算法不适用于新环境。
微信在线咨询
