深度学习和传统算法在缺陷检测应用中的特点
介绍缺陷检测的的难点,深度学习算法和传统算法在各自应用中的特点

缺陷检测是是视觉检测中最常见的需求,也是相对来说最复杂的需求。陷检测工业场景非常分散,特点难以归纳,不管用任何手段去描述缺陷,都不能做到明显可分。比如按照面积、灰度值等绘制其直方图,中间过渡区域永远存在一定量的样本,即缺陷特征处于灰色地带。


工业场景下的缺陷检测现状:

1、缺陷的界限难定,难以对一些轮廓不明显的缺陷做判别;

2、存在缺陷类间差距小,类内差距大的情况;

3、缺陷形态、纹理、位置不固定;

4、对于缺陷分类,高速节拍的需求越来越多


由于缺陷的多样性,缺陷特征不像颜色、面积、圆度、矩形度,角度、长度等等这些容易量化的指标,可以通过传统算法提取出特征形态,并实现较高的检测精度。在复杂的缺陷场景下,很难收集到全部形态的缺陷样本,且部分特征肉眼也难以区分。如下图八个特征中,只有红框标识的缺陷特征(4,6,8)是需要检出的,而且这三种都属于同一种类别的缺陷,这就导致传统算法无法灵活适用,项目优化的成本也高。



某项目缺陷检测缺陷和干扰项对比


传统算法的价值和不足:

1、对低级别的缺陷边缘信息做描述和表征,对成像质量稳定的场景,检出率高,配置简单,且不需要周期迭代,实施周期短。

2、对高级别的缺陷形态(如背景纹理复杂,缺陷异变,相似特征边缘交叉等情况),仅用传统算法难以做到准确的检出和分类

3、即便搭建了针对性的传统算法方案,仍是具有一定程度的误检率,且面对项目风险时,对算法或方案调优需耗费大量资源。

4、如图中的圆查找、匹配模板定位不准的情况,就需要提前对图像做预处理,但不一定适用于所有样本。



深度学习算法的价值和不足:

1、深度学习在描述图像中的高级信息,如多个缺陷特征边缘的交叉,局部缺陷外观的预测等都有着明显的优势,由于卷积核的特征提取方式,对缺陷特征的检出具备尺度不变性,无论缺陷位于区域的哪个位置具备准确识别的可能性。

2、前期需要收集缺陷样本迭代,从Demo到上线的周期较长;

3、端到端的算法,外部无法介入调整,复杂场景且样板不足的情况下,模型难以收敛;

个人思考:

缺陷检测项目的落地,不仅仅是算法的问题,而是整个系统方案的全局考虑,如光学设计,结构设计,软件设计及算法模型等,而且算法层面深度学习和传统算法部不是互斥的两个概念,而是相辅相成。

版权声明:本文为V社区用户原创内容,转载时必须标注文章的来源(V社区),文章链接、文章作者等基本信息,否则作者和本社区有权追究责任。如果您发现本社区中有涉嫌抄袭的内容,欢迎发送邮件至:v-club@hikrobotics.com 进行举报,并提供相关证据,一经查实,本社区将立刻删除涉嫌侵权内容。
上一篇

喷墨字符缺陷检测案例分享

下一篇

液晶背光板缺陷检测案例分享

评论请先登录 登录
全部评论 0
5
创作
5
粉丝
10
获赞
相关阅读
  • 海康机器视觉工程师认证相关内容
    2022-05-20
  • 海康机器人“悉灵杯”课题研究活动详情
    2022-05-18
  • V积分上线!你有N份福利待领取!
    2022-05-20
  • 单目抓取应用案例
    2022-04-28
  • ID读码器视野计算工具分享
    2022-05-12

请升级浏览器版本

您正在使用的浏览器版本过低,请升级最新版本以获得更好的体验。

推荐使用以下浏览器