毕业论文课题相关文献综述
研究背景 产品表面缺陷检测技术已成为产品质量控制过程中的重要环节,可以有效提高产品质量和生产效率。
基于机器视觉的工件表面缺陷检测是产品生产过程中对零件质量进行监测和控制的重要环节, 工件零件在制造完成的时候，往往需要去检测其完整性和功能性。
由于加工工艺、材质、成像参数等原因，工件表面表现出许多复杂光学成像的特征，如高反光、复杂纹理等，导致缺陷和非缺陷区域之间的低对比度，噪声和细微缺陷的相似性，缺陷的随机性，识别精度低等难题，使得缺陷检测工作变得困难。
深度学习起源于人工神经网络,可以对数据进行逐层的特征提取,具有自动学习有用特征的能力,在产品表面缺陷检测上有着较为广阔的应用前景。
当前基于卷积神经网深度学习在语义分割和目标检测等计算机视觉领域获得巨大成功，也发展出了许多优秀模型，对特征不明显的、形状多样、场景比较混乱的场合我们通过传统算法无法量化，或者说很难去做到的， 深度学习可以搞定。
对于缺陷种类和数量明确的情形，缺陷检测问题可以转换成目标检测任务；学习的识别算法越来越成熟，许多公司开始尝试把深度学习算法应用到工业场合中。
在工业场合中的应用，由于传统算法无法对其进行检测而为了产品的良品率不得不采用人工视觉检测。
因此基于语义分割深度识别模型的工件缺陷检测方法的出现，对比人工视觉检测来说具有1.精确性上工业相机具有明显的优势即使人眼依靠放大镜或显微镜来检测产品，机器仍然会更加精确，因为它的精度能够达到千分之一英寸。
2.重复性上，机器能以相同的方法一次一次的完成检测工作而不会感到疲倦。
与之相反，人眼每次检测产品时都会有细微的不同，即使产品是完全相同的。
剩余内容已隐藏，您需要先支付 10元 才能查看该篇文章全部内容！立即支付
