卷积神经网络的金属表面缺陷自动检测与识别

自动金属表面缺陷检查在工业产品的质量控制方面已受到越来越多的关注。金属缺陷检测通常是针对复杂的工业场景执行的，这是一个有趣但具有挑战性的问题。传统的方法是基于图像处理或浅层机器学习技术的，但是这些方法只能在特定的检测条件下检测缺陷，例如在一定范围内或在特定的照明条件下，具有明显对比度高的低缺陷轮廓和低噪声的缺陷。本文讨论了一种通过双重过程自动检测金属缺陷的方法，该过程可以准确地定位和分类从实际工业环境中捕获的输入图像中出现的缺陷。设计了一种新颖的级联自动编码器（CASAE）架构，用于分割和定位缺陷。级联网络基于语义分段将输入的缺陷图像转换为像素级预测蒙版。分割结果的缺陷区域通过紧凑卷积神经网络（CNN）分为特定类别。使用工业数据集可以成功地检测出各种条件下的金属缺陷。实验结果表明，该方法满足了金属缺陷检测的鲁棒性和准确性要求。同时，它还可以扩展到其他检测应用程序。