米春風(fēng)，盧 琨，汪文艷，王 兵

(安徽工業(yè)大學(xué)a.電氣與信息工程學(xué)院；b.電力電子與運(yùn)動控制安徽省重點(diǎn)實(shí)驗(yàn)室，安徽 馬鞍山 243032)

我國一直是鋼鐵生產(chǎn)和使用大國。隨著疫情后的經(jīng)濟(jì)復(fù)蘇，2021年全國粗鋼產(chǎn)量達(dá)到10.328 億t，歷史上首次突破10 億t，約為全球粗鋼產(chǎn)量的54.02%。同時統(tǒng)計數(shù)據(jù)顯示，全國粗鋼消費(fèi)量約9.95 億t。熱軋帶鋼是鋼鐵行業(yè)中的主要原材料之一，具有耐腐蝕性、強(qiáng)韌性、便于加工的優(yōu)點(diǎn)，在航空航天、土地建筑、汽車制造等領(lǐng)域備受青睞[1]。自2000 年以后，我國工業(yè)發(fā)展迅速，對熱軋帶鋼的需求日益旺盛，軋制生產(chǎn)技術(shù)得到很大的發(fā)展，生產(chǎn)線也擴(kuò)充到上百條。

在熱軋帶鋼的生產(chǎn)技術(shù)要求中，尺寸精度、版型、表面質(zhì)量和性能是衡量帶鋼產(chǎn)品質(zhì)量的四大關(guān)鍵因素。帶鋼又是單位體積表面積最大的一種鋼材產(chǎn)品，多用于外圍構(gòu)件，表面質(zhì)量至關(guān)重要。帶鋼實(shí)際生產(chǎn)過程中，由于生產(chǎn)工藝或者生產(chǎn)環(huán)境等因素的限制，導(dǎo)致帶鋼表面易出現(xiàn)裂紋、斑塊等缺陷，這不僅有損產(chǎn)品外觀，而且使產(chǎn)品更易銹蝕和破裂。所以在熱軋帶鋼生產(chǎn)線上存在質(zhì)量檢測環(huán)節(jié)，據(jù)此可將缺陷產(chǎn)品進(jìn)行回爐重造，做到及時止損。在互聯(lián)網(wǎng)、大數(shù)據(jù)不斷推動信息化、智能化高速發(fā)展的時代，國務(wù)院在2015 年發(fā)布了《中國制造2025》，將人工智能作為提升國家競爭力、維護(hù)國家利益和安全的重大戰(zhàn)略[2]。美國、德國、日本等發(fā)達(dá)國家也紛紛提出了“再工業(yè)化”戰(zhàn)略[3]。因此，傳統(tǒng)的鋼鐵企業(yè)必須盡快完成產(chǎn)業(yè)升級，提高產(chǎn)品質(zhì)量，控制生產(chǎn)成本，這樣才能在激烈的國際競爭環(huán)境下更好更快的發(fā)展。

隨著圖像處理技術(shù)的發(fā)展，基于機(jī)器視覺的缺陷檢測方法已逐漸取代人工檢測方法，并在工業(yè)現(xiàn)場生產(chǎn)檢測環(huán)節(jié)得到了實(shí)踐[4-6]。因此，以機(jī)器視覺的帶鋼表面缺陷檢測為論述中心，綜述自上世紀(jì)50 年代以來帶鋼表面缺陷檢測方法，探討基于機(jī)器視覺帶鋼表面缺陷檢測技術(shù)的難點(diǎn)和發(fā)展趨勢，以期為相關(guān)研究學(xué)者提供較為詳實(shí)和有效的參考。

1 早期帶鋼表面缺陷檢測方法

根據(jù)缺陷模式的不同，常見的熱軋帶鋼表面缺陷大致可分為6 種，如圖1。早期帶鋼表面缺陷檢測方法主要包括人工檢測法、渦流檢測法、紅外檢測法、漏磁檢測法、激光掃描檢測法等。

圖1 常見的6種帶鋼表面缺陷Fig.1 Six common surface defects of strip steel

人工檢測法是上世紀(jì)50至60年代國際上通用的帶鋼表面缺陷檢測方法，通常是由工作人員在生產(chǎn)線上用肉眼去判斷是否存在缺陷，有時會使用光源頻閃的辦法來提高人眼觀測的效率。但由于生產(chǎn)線的速度不斷加快、人眼視覺靈敏度等影響，人工檢測方法無法可靠地捕獲缺陷信息，從而產(chǎn)生大量的漏檢[7]。另外，工作人員長期處在嘈雜、高溫、強(qiáng)光、振動、粉塵的工業(yè)生產(chǎn)環(huán)境中，不僅影響身體健康，而且容易產(chǎn)生大腦和視覺疲勞等身體負(fù)擔(dān)導(dǎo)致評判標(biāo)準(zhǔn)不一，進(jìn)而誤判。因此，人工檢測法存在勞動強(qiáng)度大、效率和準(zhǔn)確率低等問題，易造成諸多不必要的損失。

渦流檢測法是利用交流線圈靠近鋼板缺陷，鋼板內(nèi)部會產(chǎn)生交變電流，進(jìn)而通過接受線圈返回的信號判斷是否存在缺陷[8]。渦流檢測對表面狀態(tài)的要求較高，大面積缺陷對其檢測速度的影響較大，不適宜在高速軋制鋼板的生產(chǎn)線上使用。

紅外檢測法是根據(jù)帶鋼表面深淺不同引起的溫度變化來判斷表面是否存在缺陷[9]。通常是通過在鋼坯傳送輥道上安置一個高頻感應(yīng)線圈來獲取鋼坯表面產(chǎn)生的感應(yīng)電流，缺陷區(qū)域感應(yīng)電流行程增大，電能消耗加劇，進(jìn)而引起鋼坯表面溫度的局部上升，通過紅外檢測儀捕獲溫度變化來完成對表面缺陷的檢測。然而僅通過獲取的溫度很難對缺陷區(qū)域進(jìn)行精確分類。

漏磁檢測法是使用磁軛將鋼坯磁化，若鋼坯內(nèi)部均勻無缺陷，鋼坯表面幾乎無磁場；若鋼坯存在缺陷，磁通會產(chǎn)生畸變，形成漏磁場。但缺陷區(qū)域較小時很難形成漏磁場，漏磁檢測法難以滿足實(shí)際應(yīng)用的需求。

激光掃描檢測法是上世紀(jì)70 至80 年代最常用的鋼鐵表面缺陷檢測方法。其工作原理是激光經(jīng)多面體棱鏡投射到鋼板表面，經(jīng)光電倍增管接受鋼板表面發(fā)射和散射的光線且將其轉(zhuǎn)化為電信號后，送入計算機(jī)進(jìn)行處理和分析。美國Sick光電子公司研制的缺陷檢測系統(tǒng)可識別高達(dá)40多種表面缺陷[10]，然而實(shí)際生產(chǎn)線中的粉塵和物質(zhì)會嚴(yán)重影響光線的反射，使得激光掃描檢測法的應(yīng)用受到限制。

2 機(jī)器視覺帶鋼表面缺陷檢測方法

上世紀(jì)90年代以后，隨著硬件設(shè)備與機(jī)器視覺技術(shù)的發(fā)展，低成本、效率高且方便維護(hù)的基于機(jī)器視覺的帶鋼表面缺陷檢測系統(tǒng)成為主流，如圖2，其可靠性、高效性、實(shí)用性都遠(yuǎn)優(yōu)于早期的帶鋼表面缺陷檢測方法。目前，基于機(jī)器視覺的表面缺陷檢測方法主要分為傳統(tǒng)與深度學(xué)習(xí)方法兩種，如圖3。

圖2 基于機(jī)器視覺的缺陷檢測系統(tǒng)Fig.2 Defect detection system based on machine vision

圖3 基于機(jī)器視覺的帶鋼表面缺陷檢測方法分類Fig.3 Classification of strip surface defect detection methods based on machine vision

2.1 傳統(tǒng)的機(jī)器視覺帶鋼表面缺陷檢測方法

傳統(tǒng)的機(jī)器視覺缺陷檢測方法可分為三類：基于局部異常的缺陷檢測方法、基于模板匹配的缺陷檢測方法和基于分類的缺陷檢測方法。

基于局部異常缺陷檢測方法是通過分析紋理來執(zhí)行的，以找到不符合測試圖像中明確定義的正常行為概念的模式。在空間領(lǐng)域，通常采用一階統(tǒng)計與二階統(tǒng)計方法，例如，Luo 等[11]基于方差、熵與平均梯度開發(fā)了缺陷檢測算法，平均精度為92.11%，假陰性率為5.54%；Tsai等[12]使用加權(quán)協(xié)方差矩陣來檢測紋理表面缺陷；Timm等[13]成功地應(yīng)用威布爾模型來檢測紋理表面缺陷；Liu 等[14]建立一種基于哈爾-威布爾方差的模型來表示圖像中每個局部補(bǔ)丁的紋理分布，該方法可檢測均勻紋理表面任意類型的缺陷，對帶鋼表面缺陷的平均檢測率為96.2%。在頻域內(nèi)，頻譜特征通常采用小波變換和傅里葉變換來提取[15-16]。陳海永等[17]融合Gabor小波變換和加權(quán)馬氏距離閾值化方法檢測帶鋼表面缺陷，檢測率為94.13%；徐森等[18]提出一種基于相位譜和加權(quán)馬氏距離的帶鋼表面缺陷顯著性檢測方法，平均檢測率為94.7%，單幅圖像檢測耗時僅15.1 ms；鄭建聰?shù)萚19]使用基于ORB(oriented FAST and rotated BRIEF)的圖像特征點(diǎn)檢測方法實(shí)現(xiàn)了約92%的檢測成功率和3 frame/s的檢測速度。

基于模板匹配的缺陷檢測方法將無缺陷模板圖像引入檢測過程中，通過測量給定測試圖像與無缺陷模板圖像之間的相似度，或通過圖像配準(zhǔn)等定位操作來完成缺陷檢測。圖像模板匹配中常用的兩種方法是基于歸一化互相關(guān)的匹配方法和基于特征的匹配方法[20]。前者主要采用空間的一維或二維滑動模板進(jìn)行圖像匹配，后者主要通過提取圖像中的點(diǎn)、線、區(qū)域等顯著特征進(jìn)行匹配。然而，基于歸一化互相關(guān)的匹配方法通常計算復(fù)雜度較高，導(dǎo)致檢測速度較慢，并且對圖像的空間位移和旋轉(zhuǎn)較敏感。因此，在帶鋼表面缺陷檢測中一般用基于特征的匹配方法。劉坤等[21]采用局部二值模式特征算子來完成圖像的特征編碼轉(zhuǎn)換和編碼空間的建立，再利用基于馬氏距離的閾值化方法進(jìn)行缺陷的檢測與定位，實(shí)現(xiàn)了96.7%的檢測精度，單幅圖像檢測耗時40 ms；王俊強(qiáng)等[22]對邊緣檢測提取的特征進(jìn)行圖像匹配，檢測速度為500 m/min。一般來說，基于模板匹配的缺陷檢測易受圖像成像環(huán)境的影響，如視角、光源、傳感器等，同一物體在圖像中表現(xiàn)出來的空間位置、光學(xué)特性、幾何特征也會存在較大差異。

傳統(tǒng)機(jī)器學(xué)習(xí)的缺陷檢測方法通常包含特征提取與分類器調(diào)試兩部分。圖像的特征提取可理解為從高維圖像空間到低維特征空間的映射，基本思想是使目標(biāo)在得到的子空間中具有較小的類內(nèi)聚散度和較大的類間聚散度，其有效性對后續(xù)缺陷目標(biāo)識別精度、計算復(fù)雜度、魯棒性等均有較大影響[23]。目前常用的圖像特征主要有紋理特征、顏色特征、形狀特征等，提取后的特征再由分類器完成對目標(biāo)的識別，常用的分類器有支持向量機(jī)(support vector machine，SVM)、BP神經(jīng)網(wǎng)絡(luò)、決策樹等。由于基于特征提取與分類器調(diào)試的算法對各類缺陷的識別精度和識別效率較高，使得基于機(jī)器學(xué)習(xí)的缺陷檢測方法成為傳統(tǒng)機(jī)器視覺方法的主流。Hu等[24]提取了缺陷圖像的幾何、形狀、紋理和灰度四類視覺特征，采取基于混合染色體的分類模型對染色體和SVM 分類模型進(jìn)行優(yōu)化，對帶鋼表面缺陷進(jìn)行了有效的識別；韓英莉等[25]采用灰度共生矩陣的特征提取,提出了基于BP 神經(jīng)網(wǎng)絡(luò)進(jìn)行帶鋼缺陷識別與分類的方法，四類缺陷的平均識別率為92%；上海寶鋼研究院楊水山等[26]用Boosting算法結(jié)合SLIQ(supervised learning in quest)決策樹建立組合分類器來識別帶鋼表面缺陷，識別的準(zhǔn)確率達(dá)到了90.47%；劉啟浪等[27]利用局部二值模式提取帶鋼表面缺陷特征，利用SVM分類器進(jìn)行分類實(shí)驗(yàn)，取得了良好的識別效果。

2.2 深度學(xué)習(xí)的帶鋼表面缺陷檢測方法

實(shí)際工業(yè)生產(chǎn)中，由于檢測對象在形狀、大小、紋理、顏色、背景、布局和成像光照等方面差異較大，使得復(fù)雜環(huán)境下對缺陷進(jìn)行檢測分類成為一項艱巨任務(wù)[28]。在深度學(xué)習(xí)的背景下，卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural networks，CNN)因具有強(qiáng)大的端對端自動特征提取能力，被廣泛用于表面缺陷檢測，根據(jù)檢測任務(wù)的不同可分為分類網(wǎng)絡(luò)、目標(biāo)檢測、實(shí)例分割。

一般來說，基于CNN 的網(wǎng)絡(luò)通常采用現(xiàn)有的網(wǎng)絡(luò)結(jié)構(gòu)，如VGGNet[29]，ResNet[30]，DenseNet[31]，MobileNet[32]等；或者針對實(shí)際的應(yīng)用問題搭建輕量級的網(wǎng)絡(luò)結(jié)構(gòu)。其基本思想是輸入一副圖像，通過反向傳播進(jìn)行網(wǎng)絡(luò)自主學(xué)習(xí)，最終輸出該圖像的類別和該類別的置信度。楊延西等[33]提出一種基于CNN 的帶鋼表面缺陷檢測方法，判斷缺陷的準(zhǔn)確率在99.99%以上；王立中等[34]提出基于深度學(xué)習(xí)的帶鋼表面缺陷識別方法，識別準(zhǔn)確率為98.5%；常江等[35]引入生成對抗網(wǎng)絡(luò)擴(kuò)充數(shù)據(jù)集樣本的數(shù)量，再通過改進(jìn)MobileNetV3網(wǎng)絡(luò)識別帶鋼表面缺陷，實(shí)驗(yàn)結(jié)果達(dá)到了工業(yè)現(xiàn)場要求的實(shí)時準(zhǔn)確分類標(biāo)準(zhǔn)。然而，基于CNN 的缺陷分類方法通常只能實(shí)現(xiàn)對一幀圖像中缺陷類別的識別，當(dāng)圖像同時存在多種缺陷類別時，只能識別特征顯著、區(qū)域較大的缺陷，不能對缺陷區(qū)域進(jìn)行定位。

分類網(wǎng)絡(luò)可通過結(jié)合不同的技巧和方式如錨框機(jī)制、候選區(qū)域的產(chǎn)生及目標(biāo)分類和回歸等，來實(shí)現(xiàn)對一幀圖像中多類缺陷的識別和區(qū)域定位，也稱為目標(biāo)檢測網(wǎng)絡(luò)。王澤鵬等[36]、Ren 等[37]使用Faster R-CNN，經(jīng)過足量的有效數(shù)據(jù)訓(xùn)練后取得了良好的檢測效果；韓強(qiáng)等[38]為解決結(jié)構(gòu)信息減少導(dǎo)致檢測精度低的問題，提出一種特征融合和級聯(lián)檢測網(wǎng)絡(luò)的Faster R-CNN 鋼材表面缺陷檢測算法，也取得了良好的檢測效果。為解決檢測速度慢、檢測精度低等問題，李維剛等[39]、Redmon等[40]、Song等[41]提出了一種改進(jìn)的YOLOv3算法模型，在NEU-DET帶鋼表面缺陷數(shù)據(jù)集上達(dá)到了80%的平均精度均值(mAP)、50 frame/s的檢測速度。

為實(shí)現(xiàn)更準(zhǔn)確的像素級別定位，實(shí)例分割任務(wù)孕育而生，即在進(jìn)一步擴(kuò)展目標(biāo)檢測網(wǎng)絡(luò)的基礎(chǔ)上，在每一個候選區(qū)域加一個用于預(yù)測分割掩碼的掩碼層，實(shí)現(xiàn)像素級別的圖像實(shí)例分割。但實(shí)例分割網(wǎng)絡(luò)的檢測速度比目標(biāo)檢測網(wǎng)絡(luò)慢。He等[42]、翁玉尚等[43]改進(jìn)Mask R-CNN實(shí)例分割網(wǎng)絡(luò)用于帶鋼表面缺陷的檢測，檢測精度為96.02%、檢測速度為5.9 frame/s。為解決分割精度低和實(shí)時性差的問題，Song等[44]提出了一種基于編碼器-解碼器殘差網(wǎng)絡(luò)(encoder-decoder residual network,EDRNet)的新型顯著性檢測方法，在編碼器階段，使用全卷積神經(jīng)網(wǎng)絡(luò)提取豐富的多級缺陷特征并融合注意力機(jī)制來加速模型的收斂；在解碼器階段，交替采用通道加權(quán)塊和殘差解碼器塊來融合較淺層的空間特征和深層的語義特征，并逐步恢復(fù)預(yù)測的空間顯著性值，在單塊GPU上的檢測速度為27 frame/s。

2.3 機(jī)器視覺帶鋼表面缺陷檢測方法的應(yīng)用比較

表1為傳統(tǒng)機(jī)器視覺和深度學(xué)習(xí)帶鋼表面缺陷檢測方法的比較。由表1可看出：傳統(tǒng)方法的主要優(yōu)點(diǎn)是不需大量圖像樣本參與訓(xùn)練，檢測速度較快；主要缺點(diǎn)是需手工制作特征，易受檢測環(huán)境的影響，漏檢與誤檢較多，從而導(dǎo)致方法局限性很大。深度學(xué)習(xí)方法的主要優(yōu)點(diǎn)是端對端的自主學(xué)習(xí)，檢測性能較高，拓展性強(qiáng)；缺點(diǎn)是需大量樣本參與訓(xùn)練，速度較慢。

表1 機(jī)器視覺帶鋼表面缺陷檢測方法的比較Tab.1 Comparison of machine vision detection methods for strip surface defects

表2為機(jī)器視覺帶鋼表面缺陷檢測方法的應(yīng)用效果。

表2 機(jī)器視覺帶鋼表面缺陷檢測方法的應(yīng)用效果Tab.2 Application of machine vision detection methods for strip surface defects

續(xù)表2

由表2可看出：早年普遍采用傳統(tǒng)方法進(jìn)行帶鋼表面缺陷檢測，近年基于深度學(xué)習(xí)的檢測方法逐漸成為主流。文獻(xiàn)[11，14，17，18，45]采用局部異常的檢測方法檢測帶鋼表面缺陷，檢測速度快，平均檢測率約94%；文獻(xiàn)[21，22，46，47]采用模板匹配對多類帶鋼表面缺陷進(jìn)行檢測，檢測速度較快，檢測準(zhǔn)確度在90%以上；文獻(xiàn)[26，27，48-56]使用基于機(jī)器學(xué)習(xí)的檢測方法，如集成模型、BP神經(jīng)網(wǎng)絡(luò)低、SVM 等，將識別各類缺陷的準(zhǔn)確率提升至95%左右；文獻(xiàn)[35，57-66]利用CNN 模型，如ResNet，DensNet，MobileNet等，進(jìn)一步將識別準(zhǔn)確度提高至97%左右；文獻(xiàn)[36，38，39，62，67-68]采用目標(biāo)檢測網(wǎng)絡(luò)完成對一幀帶鋼圖像中多類缺陷的識別和區(qū)域定位，檢測精度約80%，檢測速度較低；文獻(xiàn)[42，44，69，70]設(shè)計實(shí)例分割網(wǎng)絡(luò)實(shí)現(xiàn)更準(zhǔn)確的像素級別定位，檢測精度約95%，但檢測速度依然較慢。

3 機(jī)器視覺帶鋼表面缺陷檢測技術(shù)難點(diǎn)與發(fā)展趨勢

3.1 技術(shù)難點(diǎn)

目前，基于機(jī)器視覺的表面缺陷檢測方法在理論研究與工業(yè)現(xiàn)場實(shí)際應(yīng)用環(huán)節(jié)均取得了可觀的成果，但面臨以下技術(shù)問題和難點(diǎn)需要解決：

1)圖像采集環(huán)節(jié)易受到現(xiàn)場生產(chǎn)環(huán)境和工藝的影響，如光照強(qiáng)弱、噪聲干擾等因素，會導(dǎo)致相同類別的缺陷差異較大、不同類別的缺陷差異較小，進(jìn)而影響模型的學(xué)習(xí)能力。如何構(gòu)建穩(wěn)定、可靠、魯棒的檢測系統(tǒng)，以適應(yīng)光照變化、噪聲以及其他外界不良環(huán)境的干擾，是需要考慮的問題。

2)傳統(tǒng)機(jī)器視覺的檢測方法主要依賴人工制作特征，特征制作的好壞對檢測性能起決定性作用，同一條件下不同研究人員獲得的檢測性能也不一定相同。因此，如何降低特征提取的復(fù)雜度和不確定性是需要解決的問題之一。

3)工業(yè)現(xiàn)場很難收集到海量的缺陷樣本，多數(shù)是良性樣本且缺陷種類繁多。即使傳統(tǒng)方法不需大量的缺陷樣本參與訓(xùn)練，然而其泛化能力較差。獲取足夠的缺陷樣本是保證實(shí)際應(yīng)用中模型檢測性能與魯棒性能好的前提，此外類別不平衡也是基于機(jī)器視覺的表面缺陷檢測技術(shù)在實(shí)際應(yīng)用中的難題之一。

4)大部分機(jī)器視覺的表面缺陷檢測方法屬于有監(jiān)督的學(xué)習(xí)標(biāo)注方法，尤其對于深度學(xué)習(xí)方法，數(shù)據(jù)標(biāo)注的成本昂貴且耗時。因此，如何解決樣本標(biāo)注問題是一個有應(yīng)用前景的研究。

5)深度學(xué)習(xí)的檢測方法檢測性能較好、魯棒性較強(qiáng)，然而在網(wǎng)絡(luò)方面是一個漫長的設(shè)計和調(diào)整過程。此外，深度學(xué)習(xí)的模型存在計算量巨大、占用內(nèi)存也大等問題，難以部署在實(shí)際工業(yè)生產(chǎn)中。如何保證檢測精度的同時提高檢測速度是現(xiàn)階段需要考慮的問題。

3.2 發(fā)展趨勢

隨著計算機(jī)技術(shù)、傳感器技術(shù)以及運(yùn)算處理設(shè)備的發(fā)展，基于機(jī)器視覺的帶鋼表面缺陷檢測技術(shù)也必將得到進(jìn)一步發(fā)展，其發(fā)展趨勢主要表現(xiàn)如下：

1)基于機(jī)器視覺的表面缺陷檢測技術(shù)基本離不開數(shù)據(jù)的標(biāo)注，而數(shù)據(jù)標(biāo)注的成本昂貴且耗時。因此，開發(fā)一種自動數(shù)據(jù)標(biāo)注的應(yīng)用軟件是非常有意義的。

2)基于機(jī)器視覺的傳統(tǒng)方法需要手工提取特征、選擇分類器、調(diào)試參數(shù)，而基于深度學(xué)習(xí)的方法需要手工設(shè)計網(wǎng)絡(luò)，這種人為參與的工作通常不是最優(yōu)的。隨著計算機(jī)技術(shù)以及硬件設(shè)備的升級換代，自動機(jī)器學(xué)習(xí)和網(wǎng)絡(luò)架構(gòu)搜索技術(shù)必將逐步代替人工設(shè)計。

3)目前基于機(jī)器視覺的檢測方法主要是針對二維圖像數(shù)據(jù)，而二維圖像的視野信息比較單一，無法充分表達(dá)產(chǎn)品各方位的視野信息。因此，通過多個工業(yè)相機(jī)配合收集目標(biāo)的三維空間信息，實(shí)現(xiàn)對缺陷的三維檢測是未來的主要發(fā)展趨勢之一。

4)基于深度學(xué)習(xí)的方法檢測精度高，然而存在計算量巨大且難以部署在資源受限的硬件設(shè)備上，近年輕量化網(wǎng)絡(luò)的提出緩解了這一現(xiàn)象，但卻是犧牲檢測精度來換取檢測速度。因此，使用模型壓縮移除模型冗余參數(shù)、降低模型復(fù)雜度以提高缺陷檢測系統(tǒng)的實(shí)時性，是未來在線檢測系統(tǒng)部署在實(shí)際工業(yè)生產(chǎn)中的主要趨勢。

4 結(jié)論

機(jī)器視覺的帶鋼表面缺陷檢測方法主要包括基于圖像處理/機(jī)器學(xué)習(xí)的機(jī)器檢測方法和目前較為主流的基于深度學(xué)習(xí)的檢測方法。基于圖像處理/機(jī)器學(xué)習(xí)的機(jī)器檢測方法通常包括圖像采集與標(biāo)注、圖像預(yù)處理、特征提取與識別等流程；基于深度學(xué)習(xí)的檢測方法通常包括圖像的采集、分類/檢測/分割數(shù)據(jù)集的構(gòu)建與標(biāo)注、分類/檢測/分割網(wǎng)絡(luò)的設(shè)計與搭建。每一個流程都至關(guān)重要，直接影響缺陷檢測系統(tǒng)的最終性能和效率。因此，如何構(gòu)建高質(zhì)量且信息更為豐富的數(shù)據(jù)集、選擇合適的算法，提高系統(tǒng)的穩(wěn)定性、檢測性能和檢測速度，是機(jī)器視覺部署在實(shí)際工業(yè)現(xiàn)場的關(guān)鍵所在。