介绍
目前，基于机器视觉的表面缺陷检测设备已广泛取代人工视觉检测，在包括3C、汽车、家电、机械制造、半导体与电子、化工、制药、航空航天、轻工等多个行业领域得到应用。传统的基于机器视觉的表面缺陷检测方法通常采用常规图像处理算法或人工设计的特征加分类器。一般而言，成像方案通常利用被检测表面或缺陷的不同特性来进行设计。合理的成像方案有助于获得光照均匀、能够清晰反映物体表面缺陷的图像。近年来，基于深度学习的许多缺陷检测方法也被广泛应用于各种工业场景。
与计算机视觉中明确的分类、检测和分割任务相比，缺陷检测的要求非常普遍。实际上，它的要求可以分为三个不同的层次：“缺陷是什么”（分类）、“缺陷在哪里”（定位）和“有多少缺陷”（分割）。
先看下结果
表面缺陷检测中的关键问题
1）小样本问题
目前，深度学习方法被广泛应用于各种计算机视觉任务，表面缺陷检测通常被视为其在工业领域的特定应用。传统理解认为，深度学习方法不能直接应用于表面缺陷检测的原因是在实际工业环境中，所提供的工业缺陷样本太少。
与ImageNet数据集中的超过140
0万个样本数据相比，表面缺陷检测面临的最关键问题是小样本问题。在许多实际工业场景中，甚至只有几张或几十张的有缺陷图像。事实上ÿ
