近年来，随着深度学习的快速发展，基于卷积神经网络(CNN)的计算机视觉技术在工业领域得到了广泛的应用。目前，机器视觉表面缺陷检测是CNN在工业上最成熟的应用之一。接下来我们将介绍深度学习在表面缺陷检测领域的概述。
深度学习算法能够自动从大量数据中学习特征，无需人工设计复杂的特征提取规则，从而实现自动化检测。
基于机器视觉的缺陷检测方法目前，基于机器视觉的表面缺陷方法主要分为基于图像处理的缺陷检测方法和基于机器学习的缺陷检测方法。两种方法具体介绍如下。
缺陷检测是工业上非常重要的一个应用，由于缺陷多种多样，传统的机器视觉算法很难做到对缺陷特征完整的建模和迁移，复用性不大，要求区分工况，这会浪费大量的人力成本。深度学习在特征提取和定位上取得了非常好的效果，越来越多的学者和工程人员开始将深度学习算法引入到缺陷检测领域中，下面将会介绍几种深度学习算法在缺陷检测领域中的应用。
基于计算机视觉的金属材料表面缺陷检测是冶金工业领域的研究热点。在金属制造行业中，高标准的平面质量要求自动视觉检查系统及其算法的性能必须不断提高。本文基于对钢，铝，铜板和带钢的一些典型金属平面材料产品的160多种出版物的综述，试图对二维和三维表面缺陷检测技术进行全面的综述。根据算法的属性和图像特征，现有的二维方法分为四类：统计方法，光谱方法，模型方法和基于机器学习的方法。在三维数据采集的基础上，三维技术分为立体视觉，光度立体，激光扫描仪和结构化光测量方法。本文将分析和比较这些经典算法和新兴方法。最后，对视觉缺陷检测的剩余挑战和未来的研究趋势进行了讨论和预测。
基于深度学习的工业缺陷检测方法可以降低传统人工质检的成本，提升检测的准确性与效率，因而在智能制造中扮演重要角色，并逐渐成为计算机视觉领域新兴的研究热点之一。其被广泛地应用于无人质检、智能巡检、质量控制等各种生产与运维场景中。
随着自动化技术的快速发展，在工业生产中很多需要人工操作的环节逐渐转由机器完成，工业生产自动化也将越来越多的工人们从枯燥乏味的工作中解放出来，让他们去发挥更大的价值。
本节首先介绍表面缺陷检测的基本概念、重要意义和应用现状，对概念、意义及现状的充分了解能够帮助读者更清晰地理解表面缺陷检测方法的发展历程，从而掌握目前主流的视觉检测方法。
做这个方向的项目也有一段时间了，作为算法工程师，主导的大大小小的项目也有几个，有成功交付的，诚然也有烂尾的。回顾整个项目流程，尽管经历酸甜苦辣，但收获颇丰，估写下此文当成2023年终总结吧。
本项目由数之联投递并参与“数据猿年度金猿策划活动——2022大数据产业创新技术突破榜单及奖项”评选。
产品的表面缺陷检测是近年来制造业中格外关注的一项技术问题。作为生产制造过程中必不可少的一步，表面缺陷检测广泛应用于各工业领域，包括3C、半导体及电子、汽车、化工、医药、轻工、军工等行业，催生了众多上下游企业。自20世纪开始，表面缺陷检测大致经历了三个阶段，分别是人工目视法检测、单一机电或光学技术检测以及机器视觉检测。随着光电元器件的快速发展，以及计算机技术中图像处理、人工智能等算法的深入研究，以机器视觉为代表的先进方法在工业质检中得到越来越广泛的应用。
随着中国制造业的快速发展，工业产品的数量和种类与日俱增，消费者和生产企业对产品的质量提出了更高的要求，除了需要满足正常的使用性能外，还要有良好的表面质量。产品的表面质量已成为市场的重要竞争指标之一，对产品表面的质量控制在工业生产中的作用日趋显著。但在实际的生产过程中，由于工艺流程、生产设备和现场环境等因素的影响，造成产品表面出现各种缺陷，如磁瓦表面的气孔、断裂、磨损等缺陷，印刷品表面的斑点、划伤、漏印等缺陷。表面缺陷不仅直接影响产品本身的外观质量，更影响产品的使用性能和商业价值。因此，在产品生产加工时必须对其表面进行质量检测，以便及时发现缺陷并加以控制，从而减少缺陷产品的产生，提高企业的经济效益。表面缺陷检测已成为工业生产过程中不可或缺的组成部分。
1.1 动态蛇形卷积（Dynamic Snake Convolution），实现暴力涨点 | ICCV2023
论文地址：https://link.springer.com/content/pdf/10.1007/s11042-020-09152-6.pdf
机器视觉是使用各种工业相机，结合传感器跟电气信号实现替代传统人工，完成对象识别、计数、测量、缺陷检测、引导定位与抓取等任务。其中工业品的缺陷检测极大的依赖人工完成，特别是传统的3C制造环节，产品缺陷检测依赖于人眼睛来发现与检测，不仅费时费力还面临人员成本与工作时间等因素的制约。使用机器视觉来实现产品缺陷检测，可以节约大量时间跟人员成本，实现生产过程的自动化与流水线作业。
实木板材在国民经济中扮演重要角色，被广泛使用在国家建设中。为了提高林业资源利用率，实现企业木材加工的可持续发展，基于深度学习对实木板材缺陷图像进行检测，准确检测和识别表面缺陷位置信息。实木板材加工设备的研制已经取得一定成绩，但大多数实木板材智能加工设备功能单一，缺乏多种功能一体化的经济型设备。
智能制造装备是具有感知、分析、决策、控制功能的制造装备，是信息化与工业化深度融合的重要体现，也是先进装备制造业的重点发展方向。智能制造装备主要包括数字机床、3D打印等等。大力发展智能制造装备产业的优点有很多，可以加快制造业的转型，提升生产效率，降低能源消耗，实现制造的智能化！机器视觉检测作为新型的技术，具有智能化程度高和环境适应性强等特点，在多种智能制造装备中得到了广泛的应用。
目前, 基于机器视觉的表面 缺陷装备已经在各工业领域广泛替代人工肉眼检测，包括3C、汽车、家电、机械制造、半导体及电子、化工、医药、航空航天、轻工等行业。传统的基于机器 视觉的表面缺陷检测方法，往往采用常规图像处理 算法或人工设计特征加分类器方式。一般来说，通常利用被检表面或缺陷的不同性质进行成像方案的设计，合理的成像方案有助于获得光照均匀的图像，并将物体表面缺陷明显的体现出来。近年来，不少基于深度学习的缺陷检测方法也被广泛应用在各种工业场景中。
印刷品作为产品包装的一种主要形式，具有外观精美、清洁卫生、成本低廉、使用方便等优点，在众多行业得到了广泛的应用，其特点是材质多样、工艺复杂、质量要求高。
文章：Deep Learning-based Small Surface Defect Detection via an Exaggerated Local Variation-based Generative Adversarial Network
论文地址：https://www.mdpi.com/2076-3417/10/10/3621
随着现代工业自动化技术日趋成熟，越来越多的制造企业考虑如何采用机器视觉来帮助生产线实现检查、测量和自动识别等功能，以提高效率并降低成本，实现生产效益最大化，视觉检测也向玻璃行业的各类产品“发起”挑战。
随着智能制造产业的升级和改造，智能手机作为人们生活的必需品，它的“智”不仅仅在于产品功能、性能方面的创新，更在于生产制造过程的智能化。
一般这种玻璃瓶会有一定次品、不良品，特征是，内部细细的裂缝纹路长度长于一定限制，那么这种啤酒瓶在运输或者开瓶盖的过程中就有炸裂的风险。
一、背景情况 开源软件具有开放、共享、自由等特性，在软件开发中扮演着越来越重要的角色，也是软件供应链的重要组成部分。据Gartner调查显示，99%的组织在其 IT系统中使用了开源软件。而来自Sonatype公司的一项调查则显示，在参与调查的3000家企业中，每年每家企业平均下载 5000个开源软件。 然而，开源软件中存在大量的安全隐患，企业在享受开源软件带来的便利的同时，也在承担着巨大的安全风险。近年来，开源软件频繁爆出高危漏洞，例如Strusts2、OpenSSL等。这些组件很多都应用于信息系统的底层，
玻璃纤维织物是经编多轴向织物，由一层或多层平行的纱线按照尽可能多的方向交错而成的。织物具有一定的密实度和厚度，颜色一般为白色，生产时的质量缺陷主要为劈缝缺陷，在线生产速度为2m/min，幅宽一般为2.5m左右，检测精度要求为0.5mm。
数之联案例 由于面板制程工序多且复杂，其制程工序的智能化发展是突破“智能制造”的重要环节。而质量检测贯穿电子制造全程，对于控制产品质量起到决定性作用。在生产过程中检测和修复各类缺陷也能够使制造商改进其生产过程，避免成本进一步提高。
金属板广泛应用在工业生产与生产生活的各方面。由于金属板制造过程涉及到的设备、工艺等多因素的影响，金属板表面容易出现种类较多、形态各异的缺陷，这些缺陷对金属板的耐磨性、抗腐蚀性、电磁特性及美观性都会造成不同程度的影响，最终影响金属板的电磁特性和涂镀效果。因此对于生产金属板的企业来说，表面缺陷检测是必不可少的一个工序，一方面可以通过表面缺陷检测及时检测到缺陷产品，保证所产金属板的质量，维护企业的信誉，另一方面也可以通过分析检测结果及时发现生产过程中存在的问题，并及时解决。我们将依据实验台拍摄的金属表面缺陷照片为实验图片来源，构造相应的算法对金属表面的缺陷进行检测。
本次VideoPipe挑战赛的主要目标是，利用先进的人工智能技术，对真实管道视频进行异常分类与检测，实现高精准、智能化的复杂城市管道缺陷分析。本次挑战赛我们提供了两个高质量的城市管道检测视频数据集，即QV-Pipe数据集和CCTV-Pipe数据集，这两个数据集来自真实的城市管道检测视频。基于这两个数据集，我们组织了两个赛道的挑战赛：1）QV-Pipe视频缺陷分类；2）CCTV-Pipe视频缺陷时间检测。本次挑战赛设置了丰富的奖金，对优胜者以资鼓励，欢迎大家踊跃参赛！比赛官网：https://videopip
当你买到拿到心仪的产品的时候，映入眼帘的，就是它的外观，这是靠模具厂、组装厂的工人们精心呵护生产出来的，有的靠人眼检查，有的靠自动化设备检查，不放过一点瑕疵。
本文将介绍使用OpenCV实现纺织物缺陷检测(脏污、油渍、线条破损缺陷)的详细步骤 + 代码。（来源公众号：OpenCV与AI深度学习）
作者：Vinithavn 编译：ronghuaiyang 导读 一个简单的例子，详细的过程和代码说明。 1. 介绍 什么是物体检测？ 给定一张图像，我们人类可以识别图像中的物体。例如，我们可以检测
工业视觉在生产和制造中扮演着关键角色，而缺陷检测则是确保产品质量和生产效率的重要环节。工业视觉的前景与发展在于其在生产制造领域的关键作用，尤其是在少样本缺陷检测方面，借助AidLux技术和深度学习分割模型UNET的实践应用，深度学习分割模型UNET的实践部署变得至关重要。
缺陷检测是工业产品处理中的一项重要任务。当前，已经有很多基于计算机视觉技术的检测方法成功应用于工业领域并取得了较好的检测结果。然而，受限于类间表面缺陷的内在复杂性，使得实现完全自动的缺陷检测仍然面临巨大挑战。虽然，类间缺陷包含相似的部分，但是缺陷的表面仍然存在较大的不同。为了解决这个问题，论文提出了一种金字塔特征融合与全局上下文注意力网络的逐像素表面缺陷检测方法，并命名为PGA-Net。在这个框架中，首先从骨干网络提取多尺度特征。然后，使用金字塔特征融合模块，通过一些有效的跳连接操作将5个不同分辨率的特征进行融合。最后，再将全局上下文注意模块应用于相邻分辨率的融合特征，这使得有效信息从低分辨率融合特征图传播到高分辨率融合特征图。另外，在框架中还加入边界细化模块，细化缺陷边界，提高预测结果。实验结果证明，所提方法在联合平均交点和平均像素精度方面优于对比方法。
在数以万计的智能工厂中，一个零部件的质量往往关系到整个产品是否合格、整条生产线的合格率、整个工厂的生产效率和经济成本，甚至是整个企业的市场竞争力。因此，产品的质量检测是生产企业管理者必须重视的关键环节。
得益于机器视觉的不断发展和成熟，越来越多的制造企业正在尝试将机器视觉检测技术引入产品缺陷检测。目前基于机器视觉的缺陷检测技术已经大量应用于纺织品、汽车零部件、半导体等产品的缺陷检测中，大大提升了制造业的质检效率。机器视觉在工业缺陷检测中的前景毋庸置疑，而工业制造领域的多样性、生产环境的复杂性、产品缺陷的非标性等因素，都给机器视觉在缺陷检测的实际应用带来了诸多挑战。
PCB（PrintedCircuitBoard印刷电路板）是电子产品中众多电子元器件的承载体，它为各电子元器件的秩序连接提供了可能，PCB已成为现代电子产品的核心部分。随着现代电子工业迅猛发展，电子技术不断革新，PCB密集度不断增大，层级越来越多，生产中因焊接缺陷的等各种原因，导致电路板的合格率降低影响整机质量的事故屡见不鲜。随着印刷电路板的精度、集成度、复杂度、以及数量的不断提高，PCB板的缺陷检测已成为整个电子行业中重要的检测内容。其中人工目测等传统的PCB缺陷检测技术因诸多弊端已经不能适应现代工业生产水平的要求,因此开发和应用新的检测方法已显得尤为重要。
随着工业4.0时代的到来，如何借助人工智能这把利剑，实现传统生产方式的转型升级，站在新一轮工业革命浪潮的潮头，成为每个工业制造企业不得不思考的问题。工业具备大量的数据积累，工业的生产、质检、管理等各个环节都在持续、大量、快速地产生着数据，是人工智能应用的蓝海。当下，以机器视觉为代表的AI技术，正在被广泛地应用于3C电子、食品制造、汽车零部件制造等多个领域，包括缺陷瑕疵检测、生产环境安全等多项功能，AI在工业智能化转型过程中也被寄予厚望。
原图来自Ihalcon论坛 一个非常小的凹坑位于图中间 - 算法思路 - 利用灰度统计特性进行缺陷检测 原图噪声比较大，进行高斯滤波 计算灰度统计特性 intensity (ImageGauss,
本项目案例由数之联投递并参与“数据猿年度金猿策划活动——《2022大数据产业年度创新服务企业》榜单/奖项”评选。
在计算机视觉领域，目标检测发展迅速，出现了基于机器视觉技术的表面缺陷检测技术。这种技术的出现，越来越多的制造企业正在尝试将机器视觉检测技术引入产品缺陷检测。目前基于机器视觉的缺陷检测技术已经大量应用于纺织品、汽车零部件、半导体、光伏组件等产品的缺陷检测中，大大提升了制造业的质检效率。机器视觉在工业缺陷检测中的前景毋庸置疑，而工业制造领域的多样性、生产环境的复杂性、产品缺陷的非标性等因素，都给机器视觉在缺陷检测的实际应用带来了诸多挑战。 随着制造工艺越来越复杂，对于检测的准确性和稳定性要求越来越高，Fa
https://hci.iwr.uni-heidelberg.de/node/3616
安全认证和所需的测试和验证在软件开发预算中占了很大的比重。将软件的测试转移到左边（即在软件开发生命周期的早期），同时利用自动化技术，在成本、风险和进度方面都有很大的好处。下图1显示了商业航空公司软件开发每千行代码的成本（以百万美元为单位）（波音和空客的数据），它清楚地显示了指数级的增长。
最近在学习阿丘科技的深度学习软件AIDI，接下来我会用几篇文章来详细介绍一下AIDI。希望给有接触这方面的视觉朋友一些帮助。
在计算机视觉领域，目标检测发展迅速，出现了基于机器视觉技术的表面缺陷检测技术。这种技术的出现，越来越多的制造企业正在尝试将机器视觉检测技术引入产品缺陷检测。目前基于机器视觉的缺陷检测技术已经大量应用于纺织品、汽车零部件、半导体、光伏组件等产品的缺陷检测中，大大提升了制造业的质检效率。机器视觉在工业缺陷检测中的前景毋庸置疑，而工业制造领域的多样性、生产环境的复杂性、产品缺陷的非标性等因素，都给机器视觉在缺陷检测的实际应用带来了诸多挑战。 随着制造工艺越来越复杂，对于检测的准确性和稳定性要求越来越高，然而，
机器视觉（Machine Vision、MV）是配备有感测视觉仪器（如自动对焦相机或传感器）的检测机器，其中光学检测仪器占有比重非常高。机器视觉主要用于检测出各种产品的缺陷、判断并选择出物体、测量尺寸和定位等，广泛应用在自动化生产的各个环节，是计算机视觉中最具有产业化的部分。
制造业中的AI智能是一个时髦的术语。在描述基于人工智能的缺陷检测解决方案时，通常是关于某种基于深度学习和计算机视觉的视觉检测技术。
异常GPT是第一种基于视觉大模型（LVLM）的工业异常检测方法，该方法可以在不需要手动指定阈值的情况下检测工业图像中的异常。现有的工业异常检测方法只能提供异常分数，需要手动设置阈值，而现有的视觉大模型无法检测图像中的异常。异常GPT不仅可以指示异常的存在和位置，还可以提供有关图像的信息。
表面缺陷检测是工业视觉的热点应用之一，自动的表面缺陷检测技术越来越受到重视，其中以深度学习相关技术应用为代表，它通过大量图像对检测系统进行训练学习得到一个自动的视觉检测系统。这个方面基于深度学习的检测方法基本上可以分为两个大类。
领取专属 10元无门槛券
手把手带您无忧上云
云服务器
ICP备案
对象存储
腾讯会议
实时音视频
