[论文解读] A Comprehensive Survey on Machine Learning Driven Material Defect Detection

Jun Bai, Di Wu+6 more|arXiv (Cornell University)|Jun 12, 2024

Industrial Vision Systems and Defect Detection被引用 12

一句话总结

这是一个全面的文献综述，分类了用于材料缺陷检测的机器学习技术（包括复合材料），分析了它们的优点和挑战，并概述了未来的研究方向。

ABSTRACT

Material defects (MD) represent a primary challenge affecting product performance and giving rise to safety issues in related products. The rapid and accurate identification and localization of MD constitute crucial research endeavors in addressing contemporary challenges associated with MD. In recent years, propelled by the swift advancement of machine learning (ML) technologies, particularly exemplified by deep learning, ML has swiftly emerged as the core technology and a prominent research direction for material defect detection (MDD). Through a comprehensive review of the latest literature, we systematically survey the ML techniques applied in MDD into five categories: unsupervised learning, supervised learning, semi-supervised learning, reinforcement learning, and generative learning. We provide a detailed analysis of the main principles and techniques used, together with the advantages and potential challenges associated with these techniques. Furthermore, the survey focuses on the techniques for defect detection in composite materials, which are important types of materials enjoying increasingly wide application in various industries such as aerospace, automotive, construction, and renewable energy. Finally, the survey explores potential future directions in MDD utilizing ML technologies. This survey consolidates ML-based MDD literature and provides a foundation for future research and practice.

研究动机与目标

• 系统性收集关于ML驱动的材料缺陷检测（MDD）的最新文献，以提供对该领域的全面视野。
• 对MDD中使用的ML技术进行分类，并分析它们的技术特征、应用领域及优缺点。
• 突出特定于复合材料的MDD技术并讨论其独特挑战。
• 识别尚存的问题并提出未来研究方向，以指导研究者和从业者。

提出的方法

• 对应用于MDD的ML技术进行系统性文献综述。
• 将ML技术分类为无监督、监督、半监督、强化学习和生成式类别。
• 对每个类别的原理、应用领域及优缺点进行技术分析。
• 聚焦于复合材料中的缺陷检测。
• 总结ML驱动的MDD的开放问题和未来方向。

实验结果

研究问题

• RQ1 哪些ML技术被应用于材料缺陷检测及其核心原理是什么？
• RQ2 在复合材料及其他情境中，ML方法在缺陷检测中的表现如何？
• RQ3 在ML驱动的MDD中，主要挑战（数据、实时性、多模态数据、可解释性、隐私）及未来方向是什么？

主要发现

• 用于MDD的ML技术分为五大类：无监督、监督、半监督、强化学习和生成学习。
• 深度学习实现了自动特征提取，并在复杂背景和多种缺陷类型下实现鲁棒的缺陷检测。
• 基于机器视觉的缺陷检测被强调为MDD的核心，提供高精度、高效的非破坏性自动检测。
• 常见挑战包括样本稀缺、数据质量问题、检测复杂缺陷、多模态数据处理、实时性要求、可解释性以及隐私/安全问题。
• 该综述为文献提供了统一的参考，重点在于复合材料，并为未来的研究和工业实践提供指导。