Page 96 - 城镇燃气管道检测与评估技术规程

Technical Regulations for Urban Gas Pipeline Detection and Evaluation
城镇燃气管道检测与评估技术规程

缺陷。因此，物体表面缺陷检测是工业质检领域的一项重要课题，是确保自动化
生产过程中产品质量的重要环节。传统的基于机器视觉的物体表面缺陷检测方法，
通常采用图像处理相关技术以及人工设计的特征提取算子进行检测分类。而基于

深度学习的缺陷检测方法则通过引入深度神经网络自主学习提取特征，较传统视
觉方法具有较大的优势，是目前缺陷检测领域的主流方法。
在表面缺陷检测的机器视觉技术研究领域，目前已有一些相关的高水平研究。
Gao 等人重点阐述了基于设计特征的机器学习方法，基于学习特征的深度学习方

法有所涉及，但并未深入探讨，没有具体到网络模型。赵朗月等人对使用传统图
像处理方式、机器学习和深度学习进行缺陷检测的方法做了分类总结，并整理了
一些缺陷检测的相关数据集。Zheng 等人分析了自动视觉检测系统相关的软硬件，
回顾探讨了缺陷检测的传统方法和深度学习方法，并介绍了在钢铁、织物和半导

体行业的应用。本部分内容梳理近些年来应用于工业质检领域基于视觉的物体表
面缺陷检测技术，帮助研究人员系统、快速地了解这项技术的研究方向。
（一）工业领域的物体表面缺陷检测
物体表面缺陷，可以理解为物体受外界因素影响所造成的局部或是整体发生

物理和化学上的变化，表现为肉眼可视的形状、颜色、纹理等的异于正常标准的
改变。物体表面缺陷检测，通常是指基于物体表面发生的形状、颜色、纹理等的
可视变化进行缺陷检测。不同物体对缺陷有着不同的定义标准，如热轧钢带存在
的夹杂、划痕、氧化皮、裂纹、麻点和斑块 6 种缺陷，以及水闸钢丝绳存在的断丝、

腐蚀、破损、锈蚀、磨损等缺陷。国内外较多的研究成果表明，基于机器视觉的
缺陷检测技术已经在工业缺陷检测的诸多行业得到广泛的应用。下面介绍几种机
器视觉缺陷检测技术的应用案例。NEU-DET 是东北大学 Song 等人研究热轧带钢
表面缺陷检测而发布的表面缺陷数据集。该数据集收集了钢材存在的氧化皮、斑

块、裂纹、麻点、夹杂和划痕六种典型的表面缺陷。Cheng 等人提出了一种具有
不同通道注意和自适应空间特征融合的算法，用于带钢缺陷检测，在 NEU-DET
数据上实现了 78.25mAP。东北大学 Feng 等人对热轧带钢缺陷检测进一步研究，
在 NEU-DET 数据集的 6 种缺陷基础上收集整理了 7 种典型的热轧带钢缺陷类型，

并结合空间注意机制（SA）提出了 RepVGG 算法，准确率达到了 95.10%。北京
交通大学李老师和他的学生 Gan 等人基于对铁轨表面缺陷检测的研究建立了关
于铁轨表面缺陷的数据集 RSDDs，如图 2 所示，该数据集分别收集了高速铁轨

88