缺陷檢測論文回顧（一）

前言：把以前刷的一些和基金相關的文章，年前這幾周，分批次回顧一下。

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

2017年7月的一篇雜誌文章。作者使用一個多層的CNN網路對DAGM2007數據集中的六類缺陷樣本進行分類，分類結束之後，對於每一類樣本進行缺陷檢測。具體做法是：1.使用sliding-window方法在512×512的原圖上進行採樣，採樣大小為128×128；2.對上部分每一類圖像採樣後的小圖像塊進行二分類（有缺陷和無缺陷）。最終實驗和以前傳統方法做的對比，比如SIFT+SVM，效果不錯。下圖為文章兩次分類使用的CNN網路，兩次分類的區別在於：1.全連接層的輸入分別為6和2；2.輸入的圖像尺寸不同。

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

2018年2月的一篇雜誌論文。作者將深度卷積神經網路(DCNNs)應用到高鐵線路緊固件缺陷檢測。結合SSD、YOLO等網路方法構建了一個從粗到細的級聯檢測網路，包括：兩個檢測器對懸臂節點及其緊固件進行定位，一個分類器對緊固件缺陷進行分類。特別是實驗部分，作者做的很充分，下圖為文章的核心。

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

2018年6月的一篇雜誌文章。文章和4月在另一篇雜誌上的《Automatic Fabric Defect Detection with a Multi-Scale Convolutional Denoising Autoencoder Network Model》一文核心內容上基本一樣，並且作者都是同一人。

論文的主要框架：結合圖像金字塔層次結構思想和卷積去噪自編碼器網路（CDAE）對紋理圖像缺陷進行檢測。具體實施：利用不同高斯金字塔層次的卷積去噪自編碼器網路重構image patchs，利用訓練patch的重構殘差作為直接像素方向缺陷預測的指標，將每個通道生成的重構殘差圖結合起來，生成最終的檢測結果。

論文演算法的優點：首先，提出一種僅用無缺陷樣本檢測和定位缺陷的模型訓練方法，其次，該方法對多個金字塔層次的結果進行綜合。將重構網路和高斯金字塔結構結合，前者用於重建輸入圖像的patchs，生成重構後的reconstruction residual map進行預測。分別利用後者對不同空間解析度下的檢測結果進行分析和綜合。

但是無監督的方法做缺陷檢測，在布匹絲織物這種重複性背景紋理很強的圖集上效果很好，在金屬表面、加工部件表面數據集效果一般，甚至很差。在最後的實驗部分，作者也是用了DAGM2007數據集做了測試，效果一般，遠遠達不到工業應用要求，但相對其他方法，部分種類效果有提升。