基于深度学习的工业缺陷检测（续篇）

admin管理员组

文章数量:1622542

创作缘由：

              想啊，想啊，想啊，是按照规划来？还是按照我的新想法来呢？为了我们一起互相学习和减少各位的资料寻找时间，最后我决定下来，按照后者来，搜集资料写一篇《基于机器视觉的工业缺陷检测的论述和展望》的文章（这也是为啥答应的快速更新，最后搞了这么久才更新，说实话整理不易），用于我们更加了解这个研究方向，正所谓“前事不忘，后事之师”嘛。

              这篇文章差不多约六千字，参考了快六十篇文献。

              如果各位觉得这篇文章写的不错或者觉得对你有所收获，还请各位给予一定打赏。“赠人玫瑰，手留余香。”具体见文章末尾。

             最后，建议各位直接看原文章，文章中我精心标注了各个阶段的具体文献，若有不懂可以直接搜索对应的文献查阅。资源我挂在了上面，也可以私我要资源哦。

-------------------------------------------------------基于深度学习的工业缺陷检测-----------------------------------------------------------

一、文章框架

二、文章部分内容

2.1早期阶段

      机器视觉的发展始于20世纪70年代末，当时的技术重点是数字图像处理。Gonzalez和Woods在他们的开创性著作Digital Image Processing1（1977）中系统地介绍了图像处理的基本概念，为未来的机器视觉研究奠定了基础。与此同时，Canny在他的论文A Computational Approach to Edge Detection2（1986）中提出了经典的边缘检测算法，成为该领域的基石性技术。20世纪80年代末，机器视觉逐渐在工业应用中崭露头角。Jain等人发表的论文Industrial Applications of Machine Vision3（1986）全面概述了机器视觉在工业缺陷检测中的早期应用，为这一领域的研究奠定了方向。随后，阈值分割和形态学操作成为该阶段的重要技术，Otsu在A Threshold Selection Method from Gray-Level Histograms4（1979）中提出了Otsu阈值分割法，Haralick和Shapiro在Image segmentation techniques5（1985）中总结了各种图像分割技术，而Serra在他的著作Image Analysis and Mathematical Morphology6（1982）中详细介绍了形态学操作。

2.1统计特征与模式识别阶段

    进入20世纪90年代，统计特征与模式识别阶段逐渐兴起。Haralick等人发表的论文Textural Features for Image Classification7（1973）中提出了灰度共生矩阵（GLCM），成为纹理特征提取的关键技术之一。Mallat在论文A Theory for Multiresolution Signal Decomposition: The Wavelet Representation8（1989）中系统地描述了小波变换理论，为多尺度纹理分析提供了新的视角。与此同时，颜色空间转换也得到了应用，Torres等人在Content-Based Image Retrieval: Theory and Applications9（1999）中详细描述了HSV和Lab颜色空间的应用。

 2.3传统机器学习阶段

    2000年代初，传统机器学习阶段迅速发展。局部特征描述子成为该阶段的代表性技术，Lowe在论文Distinctive Image Features from Scale-Invariant Keypoints10（2004）中提出了SIFT特征，而Bay等人在Speeded-Up Robust Features (SURF)11（2008）中引入了更高效的SURF描述子。Sivic和Zisserman在Video Google: A Text Retrieval Approach to Object Matching in Videos12（2003）中提出了视觉词汇模型，将图像特征聚类形成视觉词汇表。与此同时，传统机器学习模型得到了广泛应用，Freund和Schapire在论文A Decision-Theoretic Generalization of On-Line Learning and an Application to Boosting13（1997）中提出了AdaBoost算法，Breiman在论文Random Forests14（2001）中引入了随机森林模型。Neogi等人在Review of vision-based steel surface inspection systems15（2009）中全面总结了基于视觉的钢材表面缺陷检测系统。

2.4深度学习阶段

  自2010年代中期以来，深度学习阶段为机器视觉注入了新动力。Krizhevsky等人在论文ImageNet Classification with Deep Convolutional Neural Networks16（2012）中提出了AlexNet，开启了卷积神经网络（CNN）在图像识别中的应用。Girshick在Fast R-CNN17（2015）中提出了Fast R-CNN，用于快速目标检测，随后Ren等人在Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks18（2015）中提出了Faster R-CNN。与此同时，Redmon等人在You Only Look Once: Unified, Real-Time Object Detection19（2016）中提出了YOLO模型，Liu等人在SSD: Single Shot MultiBox Detector20（2016）中引入了SSD目标检测模型。

2.5集成智能系统阶段

   近年来，集成智能系统阶段开始出现，其特点是结合多种人工智能技术来应对更复杂的工业缺陷检测挑战。该阶段利用深度学习、注意力机制和集成学习的最新进展，提供更复杂和准确的缺陷检测解决方案。Vaswani等人在论文Attention Is All You Need21（2017）中引入了Transformer模型，开创了注意力机制在机器学习中的应用。在视觉领域，Dosovitskiy等人在论文An Image Is Worth 16x16 Words: Transformers for Image Recognition at Scale22（2020）中提出了Vision Transformer（ViT），将Transformer架构应用于图像分类。与此同时，Chen等人在论文A Simple Framework for Contrastive Learning of Visual Representations23（2020）中提出了SimCLR对比学习框架，展示了自监督学习在计算机视觉任务中的强大能力。此外，像XGBoost（Chen和Guestrin, 2016）和LightGBM（Ke等, 2017）这样的集成学习方法在缺陷分类任务中表现出较高的准确性。Carion等人在论文End-to-End Object Detection with Transformers24（2020）中提出了Detection Transformer（DETR），将Transformer与目标检测相结合。而Hu等人在论文Squeeze-and-Excitation Networks25（2018）中引入了SE模块，可与卷积神经网络结合以提高特征表示。同样，He等人在论文Mask R-CNN26（2017）中将目标检测与实例分割相结合。这些重要的研究为机器视觉在工业缺陷检测中的发展奠定了丰富的理论基础和实践指导，使该领域能够应对更复杂和多样化的工业挑战。

三、建议

         推荐阅读顺序： 先阅读本博客------->下载文中所提文章------->查阅对应时期文献

四、我为人人，人人喂我

本文标签： 续篇缺陷深度工业