深度学习在陶瓷表面缺陷检测方面的研究进展

针对陶瓷表面缺陷检测问题,深度学习算法是近年来研究的热点之一.通过建立合适的数据集、合适的网络模型和算法,可以实现对陶瓷表面缺陷的自动检测和分类.目前,常用的深度学习表面缺陷检测算法包括卷积神经网络(Convolutional Neural Network,CNN)、循环神经网络(Recurrent Neural Network,RNN)和多层感知器(Multilayer Perceptron,MLP)等.其中,基于YOLOv5 算法的陶瓷缺陷检测方法是近期较为先进的一种方法,它具有较高的检测精度和实时性,能够准确地检测和识别陶瓷表面的各种缺陷,通过优化网络结构和损失函数,还可以进一步提高算法的性能;基于CSS算法的陶瓷缺陷检测方法提出使用图像分割的方法来分割陶瓷缺陷样本,并对分割后的样本集图像做二值化处理,突出缺陷的位置和大小.综述了陶瓷与深度学习相结合在材料表面缺陷检测方面的研究进展,并介绍了基于深度学习算法的陶瓷缺陷检测方法,以及详细综述了基于YOLOv5 和基于CSS的陶瓷表面缺陷检测算法过程.