从标注到推理：缺陷检测深度学习的流程策略

孙 柏林
大连交通大学

摘要


机械零件表面缺陷检测是实现智能化制造过程中的重要环节，面临着样本稀缺、形态多样和实时需求复杂等问题。深度学习技术需要建立一套从数据工程到模型展开的完整方法。从形式化的发现任务定义、标注质量控制策略和基于领域知识的数据增强方法三个方面展开研究。针对有标签噪音和类不均衡问题，探讨鲁棒损失函数设计与多维重采样方案，并分析模型选型、压缩及产线部署中的精度-效率权衡逻辑。

关键词


缺陷检测；深度学习；数据标注；类别不平衡；模型量化

全文:

PDF


参考


[1]郑明杰，潘桥，许海燕.基于深度学习的芯片封装缺陷检测系统设计[J].计算机测量与控制，2025，33（08）：45-53.

[2]耿伟涛.基于深度学习的机械表面缺陷检测[J].自动化应用，2024，65（13）：173-175.

[3]陶杭宇，姜晓燕.机械设备轴承图像缺陷深度卷积神经网络检测[J].制造业自动化，2022，44（05）：175-179.

[4]陈宗仁，谢文达，余君，等.基于深度学习的金属机械零件表面缺陷检测方法[J].制造业自动化，2021，43（12）：170-173.




DOI: http://dx.doi.org/10.12361/2661-3506-08-07-161716

Refbacks

  • 当前没有refback。