缺陷检测论文回顾（一）

前言：把以前刷的一些和基金相关的文章，年前这几周，分批次回顾一下。

[1] A fast and robust convolutional neural network-based defect detection model in product quality control

2017年7月的一篇杂志文章。作者使用一个多层的CNN网络对DAGM2007数据集中的六类缺陷样本进行分类，分类结束之后，对于每一类样本进行缺陷检测。具体做法是：1.使用sliding-window方法在512×512的原图上进行采样，采样大小为128×128；2.对上部分每一类图像采样后的小图像块进行二分类（有缺陷和无缺陷）。最终实验和以前传统方法做的对比，比如SIFT+SVM，效果不错。下图为文章两次分类使用的CNN网络，两次分类的区别在于：1.全连接层的输入分别为6和2；2.输入的图像尺寸不同。

[2] Automatic Defect Detection of Fasteners on the Catenary Support Device Using Deep Convolutional Neural Network

2018年2月的一篇杂志论文。作者将深度卷积神经网络(DCNNs)应用到高铁线路紧固件缺陷检测。结合SSD、YOLO等网络方法构建了一个从粗到细的级联检测网络，包括：两个检测器对悬臂节点及其紧固件进行定位，一个分类器对紧固件缺陷进行分类。特别是实验部分，作者做的很充分，下图为文章的核心。

[3] An Unsupervised-Learning-Based Approach for Automated Defect Inspection on Textured Surfaces

2018年6月的一篇杂志文章。文章和4月在另一篇杂志上的《Automatic Fabric Defect Detection with a Multi-Scale Convolutional Denoising Autoencoder Network Model》一文核心内容上基本一样，并且作者都是同一人。
论文的主要框架：结合图像金字塔层次结构思想和卷积去噪自编码器网络（CDAE）对纹理图像缺陷进行检测。具体实施：利用不同高斯金字塔层次的卷积去噪自编码器网络重构image patchs，利用训练patch的重构残差作为直接像素方向缺陷预测的指标，将每个通道生成的重构残差图结合起来，生成最终的检测结果。

论文算法的优点：首先，提出一种仅用无缺陷样本检测和定位缺陷的模型训练方法，其次，该方法对多个金字塔层次的结果进行综合。将重构网络和高斯金字塔结构结合，前者用于重建输入图像的patchs，生成重构后的reconstruction residual map进行预测。分别利用后者对不同空间分辨率下的检测结果进行分析和综合。

但是无监督的方法做缺陷检测，在布匹丝织物这种重复性背景纹理很强的图集上效果很好，在金属表面、加工部件表面数据集效果一般，甚至很差。在最后的实验部分，作者也是用了DAGM2007数据集做了测试，效果一般，远远达不到工业应用要求，但相对其他方法，部分种类效果有提升。

训练与测试部分

训练阶段的主要是学习各个金字塔层次的CDAE网络，计算出缺陷分割的最优阈值；测试阶段的步骤则说明了检测候选缺陷图像的过程。训练阶段主要包括图像预处理、patch提取、模型训练、阈值确定等。图像预处理包括光照归一化、高斯金字塔下采样和噪声干扰等，比如：光照归一化的效果对比。 

最终，文章的检测效果，结果。

从图表可以看出，作者的方法对于布匹丝织品的检测效果很好，但是对于DAGM数据集（c、e、f）的检测效果相对一般。

结果

[4]Deep Active Learning for Civil Infrastructure Defect Detection and Classification

2017年6月的一篇会议文章。作者借鉴ResNet网络使用残差网络结合主动学习思想用于马路、建筑等裂纹检测。文章的核心看下图。

[5] Automatic Metallic Surface Defect Detection and Recognition with Convolutional Neural Networks

2018年九月出版一篇杂志文章。作者提出来一种用于金属表面缺陷的检测方法，借助自编码器在图像重建上的性能，设计一种级联自编码器(CASAE)体系结构，用于金属表面异常的分割和定位。再利用CNN将分割后的缺陷区域做细分类。具体的pipeline如下，整体来说文章的思路就是语义粗略分割+卷积细分类。详细可以看 金属表面缺陷检测

(a) Original
image, (b) defect segment, (c) defect location, (d) cropped results, and (e) classification.