Segmentation-Based Deep-Learning Approach for Surface-Defect Detection

• 链接：https://arxiv.org/abs/1903.08536
• 出处：Journal of Intelligent Manufacturing 2019 （工程类2区SCI）
• 代码：https://github.com/Wslsdx/Deep-Learning-Approach-for-Surface-Defect-Detection
• 数据集地址：http://www.vicos.si/Downloads/KolektorSDD

应用场景

对塑料产品表面缺陷（裂纹）进行检测和判断

主要思路

先使用一个seg网络对缺陷区域进行语义分割，然后将语义分割的结果和seg网络最后一层的特征图拿出来，组合起来一起丢到一个分类网络里，进行分类，从而判断当前图片是否存在缺陷

实验结果

文章实验了使用MSE和交叉熵函数作为loss，以及不同标注精度和旋转的实验精度。
D代表了使用了多大的核来膨胀原始标注

评价

1. 使用的KolektorSDD数据集399张图片，52张异常样本，全是统一场景，感觉在过拟合，不实用

2. 使用分割之后再接分类的思路可以，但是落地标注要求高，运算量也大