抽象

　　金屬表面缺陷檢測(cè)是控制工業(yè)產(chǎn)品質(zhì)量的必不可少的過程。但是，由于有限的數(shù)據(jù)規(guī)模和缺陷類別，通常無法使用現(xiàn)有的缺陷數(shù)據(jù)集來部署檢測(cè)模型。為了解決這個(gè)問題，我們提供了一個(gè)名為GC10-DET的新數(shù)據(jù)集，用于大規(guī)模金屬表面缺陷檢測(cè)。GC10-DET數(shù)據(jù)集在缺陷類別，圖像數(shù)量和數(shù)據(jù)規(guī)模方面面臨巨大挑戰(zhàn)。此外，對(duì)于復(fù)雜的現(xiàn)實(shí)環(huán)境，傳統(tǒng)的檢測(cè)方法在效率和準(zhǔn)確性上均較差。因此，我們還提出了一種基于新型端到端缺陷檢測(cè)網(wǎng)絡(luò)（EDDN）。EDDN模型可以處理不同規(guī)模的缺陷。此外，為了減輕數(shù)據(jù)不平衡的問題，設(shè)計(jì)了一種硬否定挖掘的方法，同時(shí)針對(duì)昂貴的數(shù)據(jù)收集問題，采用了一些數(shù)據(jù)擴(kuò)充的方法來豐富訓(xùn)練數(shù)據(jù)。在兩個(gè)數(shù)據(jù)集上進(jìn)行的廣泛實(shí)驗(yàn)表明，該方法是魯棒的，可以滿足金屬缺陷檢測(cè)的精度要求。

　　簡(jiǎn)介

　　表面缺陷對(duì)工業(yè)產(chǎn)品的質(zhì)量有較大的不利影響。金屬缺陷檢測(cè)已被利用來滿足業(yè)界的預(yù)定質(zhì)量要求。因此，近年來，金屬表面缺陷檢測(cè)引起了越來越多的興趣，并在工業(yè)應(yīng)用中對(duì)質(zhì)量控制取得了積極的進(jìn)步[。但是，金屬表面缺陷檢測(cè)很容易受到許多環(huán)境因素的影響，例如照明，光反射和金屬材料。這些因素大大增加了表面缺陷檢測(cè)的難度。

　　圖中顯示了行業(yè)中捕獲的一些缺陷。在現(xiàn)實(shí)環(huán)境中，缺陷類型多種多樣且復(fù)雜，包括裂紋，夾雜物，斑塊，凹痕表面和劃痕。但是，大多數(shù)現(xiàn)有缺陷數(shù)據(jù)集的數(shù)據(jù)規(guī)模和缺陷豐富度都很差，甚至限于少數(shù)幾類。具體而言，數(shù)據(jù)集的大小通常限制為幾百個(gè)，這可能導(dǎo)致在復(fù)雜的工業(yè)場(chǎng)景下具有較弱的魯棒性和泛化性的檢測(cè)模型。為了解決這個(gè)問題，有必要引入一個(gè)更接近實(shí)際情況的新基準(zhǔn)。因此，我們構(gòu)建了一個(gè)新的金屬表面缺陷數(shù)據(jù)集。

　　在現(xiàn)實(shí)世界的工業(yè)環(huán)境中，通常使用機(jī)器視覺技術(shù)來檢測(cè)生產(chǎn)線上的金屬表面缺陷。通常，這些技術(shù)指的是傳統(tǒng)的圖像處理和深度學(xué)習(xí)，旨在分析和檢測(cè)制造商中收集的缺陷。盡管傳統(tǒng)的圖像處理技術(shù)已經(jīng)成功地用于檢測(cè)表面缺陷，但是基于深度學(xué)習(xí)的方法在表面缺陷檢測(cè)和其他工業(yè)應(yīng)用（例如汽車工業(yè) ，水果分類和對(duì)象檢測(cè)）中都顯示出巨大的優(yōu)勢(shì)。[

　　傳統(tǒng)圖像處理技術(shù)的主要思想是通過精心設(shè)計(jì)的手工特征來描述表面缺陷。常用的手工特征包括LBP（局部二進(jìn)制模式），HOG（定向梯度的直方圖），GLCM（灰度共現(xiàn)矩陣）和其他統(tǒng)計(jì)特征。對(duì)于輸入的金屬表面圖像，關(guān)鍵是選擇合適的特征來表示缺陷信息。根據(jù)表面缺陷的表示，訓(xùn)練分類器以識(shí)別和分類缺陷。這些檢測(cè)方法對(duì)于各種表面缺陷檢測(cè)已經(jīng)取得了很大的進(jìn)步。但是，由于傳統(tǒng)的圖像處理方法通常需要復(fù)雜的閾值設(shè)置以進(jìn)行缺陷識(shí)別，因此無法直接在現(xiàn)實(shí)中部署。對(duì)某些環(huán)境因素（例如照明條件和背景）敏感。如果環(huán)境因素發(fā)生變化，則應(yīng)再次仔細(xì)調(diào)整這些閾值設(shè)置，否則，由于缺乏適應(yīng)性和魯棒性，該算法不適用于新環(huán)境。