[论文解读] A Survey of Surface Defect Detection of Industrial Products Based on A Small Number of Labeled Data

Qifan Jin, Li Chen|arXiv (Cornell University)|Mar 11, 2022

Industrial Vision Systems and Defect Detection被引用 14

一句话总结

本综述针对工业产品表面缺陷检测方法在标注数据有限条件下的应用进行了回顾，将方法分类为传统图像处理（统计、频谱、基于模型）和深度学习技术（数据增强、迁移学习、微调、半弱监督学习及无监督学习）。该文全面分析了适用于低数据场景的最先进方法，为工业质量控制中的实际部署提供了洞见。

ABSTRACT

The surface defect detection method based on visual perception has been widely used in industrial quality inspection. Because defect data are not easy to obtain and the annotation of a large number of defect data will waste a lot of manpower and material resources. Therefore, this paper reviews the methods of surface defect detection of industrial products based on a small number of labeled data, and this method is divided into traditional image processing-based industrial product surface defect detection methods and deep learning-based industrial product surface defect detection methods suitable for a small number of labeled data. The traditional image processing-based industrial product surface defect detection methods are divided into statistical methods, spectral methods and model methods. Deep learning-based industrial product surface defect detection methods suitable for a small number of labeled data are divided into based on data augmentation, based on transfer learning, model-based fine-tuning, semi-supervised, weak supervised and unsupervised.

研究动机与目标

• 分析并分类在低标注数据约束下工业产品的表面缺陷检测方法。
• 研究传统图像处理技术（如统计、频谱和基于模型的方法）在缺陷检测中的应用。
• 探索在极小标注数据下仍能有效运行的基于深度学习的方法，包括数据增强、迁移学习和弱监督学习。
• 比较不同方法在真实工业检测场景中的性能与适用性。
• 系统性地概述当前小样本表面缺陷检测的研究趋势与挑战。

提出的方法

• 使用图像处理技术，将传统缺陷检测方法分类为统计、频谱和基于模型的方法。
• 调研仅需少量标注样本的深度学习方法，包括用于扩展训练数据的数据增强策略。
• 回顾利用大规模数据集上预训练模型的迁移学习方法，以应用于工业缺陷检测。
• 分析基于模型的微调技术，通过有限标注数据将预训练网络适配至缺陷检测任务。
• 考察半监督、弱监督和无监督深度学习方法，以减少对完全标注数据的依赖。
• 按数据效率、性能和工业适用性系统性地组织各类方法。

实验结果

研究问题

• RQ1 在工业环境中，适用于少量标注数据的表面缺陷检测方法主要有哪些类别？
• RQ2 在数据稀缺条件下，传统图像处理技术与基于深度学习的方法在性能和鲁棒性方面如何比较？
• RQ3 在标注数据有限的情况下，哪些特定的数据增强和迁移学习策略最有效？
• RQ4 半监督和弱监督学习方法在工业质量检测中如何减轻标注负担？
• RQ5 在工业表面缺陷检测中部署小样本深度学习模型时，主要挑战和开放性问题是什么？

主要发现

• 在标注数据稀缺时，传统图像处理方法（包括统计和频谱技术）对某些缺陷类型仍具有效性。
• 数据增强技术通过合成多样化训练样本，显著提升了深度学习模型在低数据场景下的泛化能力。
• 通过在小规模工业数据集上微调预训练模型，迁移学习可实现高性能的缺陷检测。
• 半监督和弱监督方法在保持与全监督模型相当的检测精度的同时，显著降低了标注成本。
• 无监督和自监督方法在无需任何缺陷标注的情况下，展现出在工业表面异常检测中的强大潜力。
• 将领域特定知识与深度学习模型结合，可显著提升实际工业环境中的性能与鲁棒性。