摘要
利用机器学习进行自动表面缺陷检测已成为一个有趣且前景广阔的研究领域，对视觉检测应用领域具有非常直接和重要的影响。深度学习方法已成为这一任务中最合适的方法。通过向系统展示一系列示例图像，这些方法使得检测系统能够学会识别表面缺陷。本文提出了一种基于分割的深度学习架构，该架构专门设计用于表面缺陷的检测与分割，并在特定的表面裂纹检测领域进行了验证。该架构的设计使得模型能够在少量样本的情况下进行训练，这是实际应用中的一个重要需求。所提出的模型与相关深度学习方法进行了对比，包括最先进的商业软件，结果显示该方法在特定的表面裂纹检测领域优于其他相关方法。大量的实验还揭示了注释所需的精度、所需训练样本的数量以及计算成本的要求。实验是在一个基于真实世界质量控制案例的新创建的数据集上进行的，证明了所提出的方法仅需大约25-30个有缺陷的训练样本即可实现学习，而通常深度学习应用需要数百或数千个样本。这使得深度学习方法在工业中得以实用化，尤其是在可用缺陷样本数量有限的情况下。此外，该数据集已公开发布，以促进表面缺陷检测新方法的研发和评估。