对深度学习进行系统审查,使用CNN应用于表面缺陷检测
Esteban Cumbajin1, Nuno Rodrigues1, Paulo Costa1
1Computer Science and Communications Research Centre, School of Technology and Management, Polytechnic of Leiria, 2411-901 Leiria, Portugal.
Journal of imaging
|October 27, 2023
概括
本综述使用机器学习对表面缺陷检测进行了分类,重点关注各种工业表面的卷积神经网络 (CNN). 金属表面是最受研究的,分类是主要任务,转移学习被广泛使用.
科学领域:
- 材料科学 材料科学 材料科学
- 计算机科学 计算机科学
- 工业工程 工业工程 工业工程
背景情况:
- 表面缺陷检测在工业中至关重要,但信息碎片化阻碍了进步.
- 机器学习,特别是卷积神经网络 (CNN),提供了先进的解决方案.
- 需要一个结构化的概述来指导研究和应用.
研究的目的:
- 系统地审查和分类基于机器学习的表面缺陷检测方法.
- 专注于CNN,并根据表面类型 (金属,建筑,陶,木材,特殊) 将它们分类.
- 根据审查结果提出一种新的机器学习分类学.
主要方法:
- 按照PRISMA指南进行系统的文献审查.
- 分析了59项主要研究,重点关注缺陷类型,表面类别和CNN架构.
- 提取和总结关键特征:表面类型,问题,网络,技术,数据集和挑战.
主要成果:
- 金属表面是最常见的 (62.71%),被归类为主要问题 (49.15%).
- 转移学习 (83.05%) 和数据增强 (59.32%) 是被广泛采用的技术.
- 提供了关于摄像机选择,照明策略和为现实世界应用程序创建数据集的见解.
结论:
- 该审查提供了使用CNN进行表面缺陷检测的结构化分类.
- 已识别的趋势和新的分类学为未来的研究提供了方向.
- 为研究人员和缺陷检测专业人员提供有效的信息检索.
