论文阅读笔记《Segmentation-based deep-learning approach for surface-defect detection》

核心思想

  本文提出一种基于分割的表面缺陷检测算法，作者通过对网络结构的精心设计，能够仅利用30张带有标签的缺陷样本实现对网络的有效训练，实现了超过商业软件的检测效果。整个网络分成分割网络（Segmentation network）和判断网络（Decision network）两个部分，分割网络就是输出一个二元的分割图，将缺陷区域标记出来；判断网络就是根据分割网络的结果对该区域是否存在缺陷进行判断。网络结构如下图所示

  如图所示，在分割网络中，输入图像经过多组卷积进行特征提取，并且每两个卷积组之间都有池化层，将图像尺寸压缩至原来的1/2。整个特征提取网络的最后一层的卷积核尺寸为15 *15，其余层均是5 *5，作者称这能够有效的增加感受野的范围，适用于高分辨率图像。特征提取网络的输出分为两个分支，一个分支通过1 *1的卷积层将通道压缩为1，得到最终的缺陷分割图像；另一个分支将进入判断网络用于计算该图像里存在缺陷的概率。
  在判断网络中，输入是1024个通道的特征图和1个通道的分割图，二者级联起来进入一个卷积网络，随着卷积过程通道数和图像尺寸都不断的压缩，得到一个32通道的特征图。然后分别经过全局最大值池化和全局平均池化转化为32个值，另一方面分割图像也经过全局最大值池化和全局平均池化转化为1个值。最后将这66个值（32 +32 +1 +1）级联起来，经过一个全连接层输出最终的存在缺陷概率值。

实现过程

网络结构

  具体网络结构如图中所示

损失函数

  分割网络可采用MSE损失函数或逐像素的二元交叉熵损失函数，判断网络采用交叉熵损失函数

训练策略

  首先对分割网络进行训练，然后锁定参数，再对判断网络进行训练

创新点

• 提出了一种基于分割的表面缺陷检测算法，实现了小样本条件下的表面缺陷检测
• 设计了一种适用于高分辨率图像的,少量样本条件下的两级网络

算法评价

  说实话本文的检测思想和网络结构设计都乏善可陈,属于比较常规的思路和做法,可能就是15 *15大卷积核和两种全局池化方式并用的设计算是有一点创新吧,但我也没看出来这与网络的性能提升有什么必然联系.需要注意的是作者分割网络输出的其实是原图1/8大小的图像,而且作者没有进行插值上采样,因为这样会影响整体效果.所以本文实现的是缺陷的检测和粗略定位,并不能输出像素级的分割结果,也不能对缺陷进行分类.

如果大家对于深度学习与计算机视觉领域感兴趣，希望获得更多的知识分享与最新的论文解读，欢迎关注我的个人公众号“深视”。