0 引言
近几年深度学习技术在机器视觉方面有很大突破，而利用其进行工业产品表面缺陷检测也逐渐成为工业界研究的热点。在真实复杂的工业环境下，表面缺陷检测面临诸多挑战，例如在药品检测过程中，存在缺陷成像与背景差异小、对比度低、缺陷尺度变化大且类型多样等情形。近些年来, 随着以卷积神经网络(Convolution Neural Network，CNN)为代表的深度学习模型在诸多计算机视觉(Computer Vision，CV)领域成功应用，国内外学者也展开了基于深度学习技术的表面缺陷检测的研究。同时，一些公司也开发出多种基于深度学习的商用工业表面缺陷检测软件。全球传统工业视觉及其部件的市场规模将于2025年达到192亿美元且年平均增长率为14%[1-2]。因此, 基于深度学习的表面缺陷检测方法不仅具有重要的学术研究价值，同时有非常广阔的市场应用前景。
然而，深度学习技术在实际工业场景中的应用存在一些难题，针对药品检测来说一是生产过程中缺陷样本过少，不利于神经网络的特征提取；二是产品的缺陷尺度不同，有上千个像素的缺粒缺陷，也有几十个像素的黑点异物缺陷等。实际生产过程中用于训练的缺陷样本数量少，细微缺陷在没有突出缺陷区域的情况下容易被其他区域的信息所掩盖。而且，随着神经网络的深入以及卷积和池化等操作，一些特征层信息被丢失。YOLOV5是目前最优的目标检测模型之一，其在精确度、检测速度和所需存储空间上都表现优异，十分适用于工业产品的缺陷检测。
本文详细内容请下载：http://www.chinaaet.com/resource/share/2000003895.
作者信息：
钱 雪1，李 军1，唐 球2，钱晓雨1
(1.北京信息科技大学 信息管理学院，北京100192；2.华北计算机系统工程研究所，北京100083)
