文献类型：期刊文章

作　　者：罗东亮[1] 蔡雨萱[1] 杨子豪[1] 章哲彦[1] 周瑜[1] 白翔[2]

Dongliang LUO;Yuxuan CAI;Zihao YANG;Zheyan ZHANG;Yu ZHOU;Xiang BAI(School of Electronic Information and Communications,Huazhong University of Science and Technology,Wuhan 430074,China;School of Artificial Intelligence and Automation,Huazhong University of Science and Technology,Wuhan 430074,China)

机构地区：[1]华中科技大学电子信息与通信学院,武汉430074 [2]华中科技大学人工智能与自动化学院,武汉430074

出　　处：《中国科学：信息科学》

基　　金：国家自然科学基金(批准号:62176098);华中大前沿创新团队项目(批准号:2017QYTD08);湖北省自然科学基金资助创新团队项目(批准号:2019CFA022)资助。

年　　份：2022

卷　　号：52

期　　号：6

起止页码：1002-1039

语　　种：中文

收录情况：BDHX、BDHX2020、CSCD、CSCD2021_2022、JST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：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.本综述旨在对工业缺陷检测的任务定义、难点、挑战、主流方法、公共数据集及评价指标等进行全面归纳,以帮助研究人员快速了解该领域.具体而言,本文首先介绍工业缺陷检测的背景与特点.接着,按照实际数据标注情况,划分出缺陷模式已知、缺陷模式未知与少量缺陷标注3种研究任务设置,并根据方法类型作进一步归纳与分析,探讨了各方法的性能优劣与适用场景,阐明了方法与实际应用需求的关联性.此外,本文还归纳了方法部署中的关键辅助技术,总结了现有方法在实际产业落地中存在的局限性.最后,本文对该领域未来的发展趋势和潜在研究方向进行了展望.

关 键 词：缺陷检测  异常检测 计算机视觉 工业视觉  深度学习  

分 类 号：TB497] TP18] TP391.41]