基于机器学习的缺陷检测学习

先写一个大致方法综述，后续会针对每一个部分方法进行学习体会。

1.基于传统机器视觉的方法：
主要构成：图像采集，缺陷检测

图像采集部分：合适的光源，专业摄像头，适合的图像采集（硬件部分，2D，3D都可）

缺陷检测部分：图像去噪，图像增强，边缘检测，图像分割，特征提取，目标检测与分类等等（软件部分，用代码来实现，根据不同的图像特征（噪声特征，边缘特征等）选取相应合适的代码）

具体方法：灰度图像，双重照明结构，基于小波变换的散射卷积网络，极限学习机（ELM），遗传算法等等

优缺点：

优点：实用性强，代码简单。

缺点：设备通用性低，对于硬件设备要求较高，缺陷检测装置维护需要很高的成本。

2.基于深度学习的钢板表面缺陷检测

主要构成：缺陷分类，目标检测，缺陷分割

        （1）缺陷分类：有监督学习，半监督学习，无监督学习

        1.有监督学习：代表方法-卷积神经网络（CNN）

        优点：卷积神经网络在分类 领域避免了对图像的复杂前期预处理，可以直接 将原始图像输入，降低网络模型的复杂度，减少权 值的数量。采用局部连接和共享权值的方式，使 网络易于优化，也降低了过拟合的风险。

       2.半监督学习：代表方法-GAN

       优点：样本数量少，少样本，未标记数据即可训练，弥补数据量的不足。

       3.无监督学习：代表方法-HWV模型

       优点：解决有监督和半监督的学习方式需要大量有标签的缺陷图像样本进行训练的问题，减少导 致训练性能减弱的可能性。

        （2）目标检测：基于双阶段网络，基于单阶段网络

        1.双阶段网络：代表网络-Faster R-CNN

        2.单阶段网络：代表网络-YOLOv3

       （3） 缺陷分割：基于语义分割，基于实例分割，基于全景分割

        1.缺陷语义分割：代表网络-FCN，Unet

        2.实例分割与全景分割还在进一步研究

        （4）具体方法：MLP,CNN,RNN,DBN,GAN等。

        后续方法以后慢慢学习，慢慢记录，慢慢介绍。

附上综述文献记录：

基于机器视觉和深度学习的钢板 表面缺陷检测研究综述

下载地址：DOI：10.13988/j.ustl.2022.03.006

最后

以上就是粗犷裙子为你收集整理的基于机器学习的缺陷检测学习的全部内容，希望文章能够帮你解决基于机器学习的缺陷检测学习所遇到的程序开发问题。

如果觉得靠谱客网站的内容还不错，欢迎将靠谱客网站推荐给程序员好友。