《表4 深度学习的缺陷检测技术研究现状》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《缺陷检测技术的发展与应用研究综述》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

随着人工智能技术的发展，基于深度学习的方法因其具有拟合任意复杂函数和较好的特征提取能力而被广泛应用于产品缺陷检测，观察表4可以发现，基于深度卷积神经网络的方法是缺陷检测领域使用较广的方法，其在纳米材料和管道中的最高识别准确率为97.00%，在纳米材料和管道的单张测试样本平均测试时间在15 s～50 s之间，实验结果相对其他本文调研检测对象识别率最高.而采用自编码网络在纳米材料512×512像素图像缺陷检测样本中的最高识别准确率为96.60%，最低为68.80%.采用全卷积神经网络在3 000×3 724像素的管道缺陷样本图像中最好的缺陷检测准确率为95.00%；而循环神经网络对于多尺寸和多形状的样本具有较好的检测能力，在128×128像素的检测样本图像中的平均准确率为90.36%；这主要是因为CNN可以从经过少量预处理甚至最原始的数据中学习到抽象的、本质的、高阶的特征，因此采用卷积神经网络对缺陷样本进行检测可以获得较高的识别准确率，但不同大小的图片对卷积神经网络的影响较大.基于自编码网络对产品缺陷进行检测检测可以很好的表达检测的目标信息，提取复杂背景中的前景区域，对环境噪声具有较好的鲁棒性，因此其在纳米材料中也能获得很好地检测效果.而全卷积神经网络将卷积层产生的特征图映射成一个固定长度的特征向量，可以接受任意尺寸的输入图像，因此在3 000×3 724像素的管道图像样本中也能取得较好的检测效果.循环神经网络在进行循环操作提取输入层特征，但不采用池化层提取特征，而是采用循环卷积操作的方式对样本进行循环特征提取，这样的特征提取机制有利于对尺寸和形状具有较大变化样本的缺陷检测.