Глубокое обучение для автоматического распознавания промышленных поверхностных дефектов на основе машинного зрения: обзор

Системы автоматического контроля на основе машинного зрения на протяжении десятилетий играют ключевую роль в оценке качества продукции, обеспечивая сегментацию, обнаружение и классификацию дефектов. Исторически фреймворки машинного обучения, основанные на ручном извлечении, отборе и валидации признаков, опирались на сочетание параметризованных алгоритмов обработки изображений и явно формализованных знаний специалистов. Высокая эффективность глубокого обучения (DL) в системах машинного зрения, автоматически формирующего представление признаков, соответствующее конкретной задаче, привела к экспоненциальному росту числа научных публикаций и коммерческих продуктов, ориентированных на оценку качества в промышленности. В этом контексте в статье рассматриваются более 220 релевантных публикаций из научной литературы, опубликованных до февраля 2023 года, и освещаются современные этапы становления и развития полностью автоматических систем контроля поверхностных дефектов на основе DL, применяемых в различных промышленных областях. Проанализированные работы классифицированы в соответствии с двумерной таксономией, учитывающей как конкретную задачу распознавания дефектов, так и используемую парадигму обучения. Оценены зависимость от больших высококачественных размеченных наборов данных и различные нейронные архитектуры, применяемые для формирования целостного представления как хорошо заметных, так и малозаметных дефектов при использовании детальных и/или укрупненных аннотаций данных. Результаты анализа свидетельствуют о растущем интересе исследователей к повышению выразительной способности представления дефектов, прежде всего посредством переноса предварительно обученных слоёв в оптимизированную сеть и объяснения решений сети для обеспечения обоснованного сохранения или отклонения оцениваемой продукции.