基于深度學(xué)習(xí)的表面缺陷檢測(cè)算法文獻(xiàn)研究

中圖分類(lèi)號(hào)：TP391文獻(xiàn)標(biāo)識(shí)碼：A

Literature Research on Deep Learning-based Algorithms for Surface Defect Detection

HUANG Keteng1，WANG Yuqi1，WANG Qing1， JU Junwei2，BAI Shuowei1 （1. 266O71，China; 2. （Shong） ）

Abstract： Surface defect detection is a key aspect quality inspection industrial components. Aiming at the lack systematic literature research on surface defect detection algorithms for industrial parts，China National Knowledge Infrastructure （CNKI） WOS（Web Science） core ensemble databases are selected as data sources between 2Ol7 2O23. With the help CiteSpace visual analysis stware，the research line surface defect detection algorithms in the field industrial components inspection is analysed by the number annual publications keyword clustering. The current state research on deep learning-based algorithms for detecting surface defects on industrial components is systematically presented，as well as the practical applications single-stage two-stage target detection algorithms. The key problems current surface defect detection algorithms for industrial components the corresponding solution strategies are summarized. The future development surface defect detection algorithms for in

dustrial components is also discussed.

Keywords： deep learning; surface defect detection; industrial components; visualization analysis; CiteSpace

在工業(yè)零件的生產(chǎn)過(guò)程中，由于加工工藝、生產(chǎn)原材料或生產(chǎn)環(huán)境等多因素的影響，零件表面會(huì)出現(xiàn)劃痕、壓傷、黑皮以及凸起等缺陷[]，不僅影響零件的整體性能和質(zhì)量，還對(duì)其使用壽命造成不可逆的損害，甚至可能引發(fā)生產(chǎn)事故，給企業(yè)帶來(lái)難以估量的損失?；谏疃葘W(xué)習(xí)的表面缺陷檢測(cè)技術(shù)以其無(wú)接觸、無(wú)損傷、高準(zhǔn)確率、檢測(cè)速度快以及適應(yīng)性強(qiáng)等優(yōu)點(diǎn)被廣泛應(yīng)用于各種工業(yè)零件的生產(chǎn)流程中[2]?；谏疃葘W(xué)習(xí)的表面缺陷檢測(cè)技術(shù)在工業(yè)零件表面質(zhì)量控制領(lǐng)域的應(yīng)用不僅保障了產(chǎn)品質(zhì)量，也是確保生產(chǎn)安全的關(guān)鍵環(huán)節(jié)[3]。關(guān)于基于深度學(xué)習(xí)的工業(yè)零件表面缺陷檢測(cè)的綜述類(lèi)文獻(xiàn)相對(duì)較少。借助CiteSpace可視化分析軟件，本文從年度發(fā)文量和關(guān)鍵詞聚類(lèi)兩個(gè)維度出發(fā)，對(duì)基于深度學(xué)習(xí)的工業(yè)零件表面缺陷檢測(cè)類(lèi)文獻(xiàn)進(jìn)行了綜合性研究，剖析了表面缺陷檢測(cè)算法在工業(yè)零件產(chǎn)品檢測(cè)領(lǐng)域的發(fā)展趨勢(shì);從單階段檢測(cè)算法和兩階段檢測(cè)算法兩個(gè)方面，論述了近七年來(lái)基于深度學(xué)習(xí)的工業(yè)零件表面缺陷檢測(cè)的研究成果及其應(yīng)用情況。

研究方案和現(xiàn)狀分析

1.1 數(shù)據(jù)來(lái)源

應(yīng)用科學(xué)計(jì)量學(xué)的分析手段對(duì)與表面缺陷檢測(cè)相關(guān)的文獻(xiàn)指標(biāo)進(jìn)行分析，觀察該領(lǐng)域的研究趨勢(shì)及其未來(lái)發(fā)展方向。中文文獻(xiàn)數(shù)據(jù)來(lái)源于中國(guó)知網(wǎng)（China National Knowledge Infrastructure，CNKI），英文文獻(xiàn)數(shù)據(jù)來(lái)源于Web Science（WOS）核心合集數(shù)據(jù)庫(kù)，檢索時(shí)段為2017年1月1日至2023年12月31日。CNKI綜合性數(shù)據(jù)庫(kù)中檢索主題詞“表面缺陷檢測(cè)\"和篇關(guān)摘“深度學(xué)習(xí)、工業(yè)零件”，檢索方式為“同義詞擴(kuò)展”;WOS核心合集數(shù)據(jù)庫(kù)中檢索主題詞為\"Surface Defect Detection”“Industrial parts”。

1.2 研究方法

CiteSpace 是一款基于Java開(kāi)發(fā)的科學(xué)計(jì)量學(xué)和知識(shí)可視化軟件，利用共引分析、共詞分析、引文網(wǎng)絡(luò)分析等方法探索和分析科學(xué)文獻(xiàn)的模式和趨勢(shì)[4]。將檢索到的論文導(dǎo)人CiteSpace，設(shè)置時(shí)間切片為1年，節(jié)點(diǎn)類(lèi)型為關(guān)鍵詞，從發(fā)文數(shù)量、關(guān)鍵詞聚類(lèi)2個(gè)方面來(lái)研究工業(yè)零件的表面缺陷檢測(cè)領(lǐng)域的研究熱點(diǎn)和發(fā)展趨勢(shì)。

1.3研究現(xiàn)狀及研究趨勢(shì)分析

1.3.1 發(fā)文數(shù)量

科技文獻(xiàn)的發(fā)文量是衡量其領(lǐng)域研究發(fā)展現(xiàn)狀的關(guān)鍵性指標(biāo)之一，體現(xiàn)了該領(lǐng)域研究的發(fā)展水平[5]。檢索并進(jìn)行人工篩選后，工業(yè)零件表面缺陷檢測(cè)領(lǐng)域的文獻(xiàn)在CNKI數(shù)據(jù)庫(kù)檢索出490篇，WOS核心合集數(shù)據(jù)庫(kù)檢索出316篇，發(fā)文量-時(shí)間變化趨勢(shì)如圖1。由圖可見(jiàn)，CNKI與WOS的發(fā)文量自2017年起均顯著增長(zhǎng)，CNKI在2019年后快速攀升，2021年達(dá)峰值后略有回落；WOS增幅平緩但持續(xù)增長(zhǎng)至2023年達(dá)120篇/年。數(shù)據(jù)表明，國(guó)內(nèi)研究在經(jīng)歷爆發(fā)式增長(zhǎng)后進(jìn)入調(diào)整階段，國(guó)際學(xué)界始終保持穩(wěn)健增長(zhǎng)態(tài)勢(shì)，這種

差異源于不同區(qū)域?qū)W術(shù)生態(tài)系統(tǒng)的演進(jìn)周期特征。國(guó)內(nèi)技術(shù)由快速發(fā)展趨向成熟期，國(guó)際仍處技術(shù)突破階段，未來(lái)隨著全球化進(jìn)程深化，二者將在技術(shù)路徑收斂與知識(shí)共享層面形成深度協(xié)同。

1.3.2 關(guān)鍵詞聚類(lèi)

關(guān)鍵詞聚類(lèi)將研究中的熱點(diǎn)詞匯按照一定的劃分模式進(jìn)行歸類(lèi)，劃分為不同的簇，便于更好地理解領(lǐng)域內(nèi)的知識(shí)結(jié)構(gòu)和研究趨勢(shì)。利用CiteSpace軟件，通過(guò)LLR（Log-LikelihoodRatio）算法進(jìn)行關(guān)鍵詞聚類(lèi)，工業(yè)零件表面缺陷檢測(cè)領(lǐng)域國(guó)內(nèi)外相關(guān)文獻(xiàn)關(guān)鍵詞聚類(lèi)結(jié)果如圖2。

由圖2可見(jiàn)，CNKI模塊化指數(shù) Q 為0.5381，大于0.3的顯著閾值，輪廓系數(shù)S為0.8629，大于0.7強(qiáng)信度標(biāo)準(zhǔn)；WOS數(shù)據(jù)庫(kù) Q 為0.5758，S為0.858，兩數(shù)據(jù)庫(kù)文獻(xiàn)聚類(lèi)指標(biāo)均呈現(xiàn)顯著特征，表明兩數(shù)據(jù)庫(kù)文獻(xiàn)均具備高度結(jié)構(gòu)化的知識(shí)網(wǎng)絡(luò)。在主題分布上，CNKI以“深度學(xué)習(xí)\"為核心節(jié)點(diǎn)，與“合成孔徑”“缺陷檢測(cè)”、“機(jī)械加工\"等形成強(qiáng)關(guān)聯(lián)，凸顯該技術(shù)在智能制造領(lǐng)域的樞紐作用;WOS呈現(xiàn)以“卷積神經(jīng)網(wǎng)絡(luò)”為中心的技術(shù)圖譜，與“注意力機(jī)制”“缺陷檢測(cè)\"構(gòu)成技術(shù)三角，揭示卷積網(wǎng)絡(luò)在表面缺陷高精度識(shí)別中的主導(dǎo)地位，特別是在復(fù)雜工業(yè)場(chǎng)景下，其分層特征提取能力具有不可替代性。綜合分析表明，“深度學(xué)習(xí)”作為方法論框架支撐多場(chǎng)景應(yīng)用拓展，“卷積神經(jīng)網(wǎng)絡(luò)\"聚焦于視覺(jué)缺陷檢測(cè)等具體技術(shù)突破，構(gòu)成雙核驅(qū)動(dòng)體系。兩數(shù)據(jù)庫(kù)關(guān)鍵詞網(wǎng)絡(luò)的結(jié)構(gòu)差異既反映了中英文研究的技術(shù)偏好，也為跨領(lǐng)域知識(shí)融合與創(chuàng)新方向提供了量化依據(jù)。

2 基于深度學(xué)習(xí)的工業(yè)零件表面缺陷檢測(cè)算法

基于深度學(xué)習(xí)的網(wǎng)絡(luò)模型具有強(qiáng)大的特征學(xué)習(xí)能力和處理大規(guī)模數(shù)據(jù)能力，引人工業(yè)零件表面缺陷檢測(cè)可以提高產(chǎn)品的生產(chǎn)效率和質(zhì)量[7]。根據(jù)算法結(jié)構(gòu)不同，基于深度學(xué)習(xí)的工業(yè)零件表面缺陷檢測(cè)算法分為兩階段缺陷檢測(cè)算法[8和單階段缺陷檢測(cè)算法[92類(lèi)。

2.1 兩階段目標(biāo)檢測(cè)算法

2014 年區(qū)域卷積神經(jīng)網(wǎng)絡(luò)（Region-Convolutional Neural Networks，R-CNN）算法[10]提出了“卷積神經(jīng)網(wǎng)絡(luò) + Region Proposal（候選框）\"的全新組合模式用于目標(biāo)檢測(cè)，將目標(biāo)檢測(cè)過(guò)程分為產(chǎn)生候選區(qū)域CNN特征和目標(biāo)的分類(lèi)識(shí)別兩部分，稱(chēng)為兩階段目標(biāo)檢測(cè)算法，其流程如圖3?，F(xiàn)階段主流的兩階段目標(biāo)檢測(cè)算法有：R-CNN 系列算法、Cascade R-CNN[11]、Mask R-CNN[12]、SPP-Net[13]（Spatial Pyramid Pooling Networks）、FPN（Feature Pyramid Networks）[14]、R-FCN（Region-based Full Convolutional Networks）[15]等。

2.1.1 R-CNN系列算法

為解決人工和傳統(tǒng)自動(dòng)化算法在檢測(cè)發(fā)動(dòng)機(jī)零件表面缺陷中的準(zhǔn)確率和效率低下的問(wèn)題，基于聚類(lèi)生成 anchor方案的Faster R-CNN的零件表面缺陷檢測(cè)算法[16]引人多級(jí)ROI池化層結(jié)構(gòu)，提高了算法模型的準(zhǔn)確性，缺陷檢測(cè)的測(cè)試平均精度mAP從 54.7% 提高到 97.9% ，檢測(cè)速度可達(dá)4.9fps。Faster R-CNN與 Shape from Shading（SFS）融合算法采用自適應(yīng)特征融合機(jī)制解決金屬表面反光干擾問(wèn)題[17]，測(cè)試平均精度mAP達(dá) 83% ，其中裂紋mAP為 98% ，而劃痕 mAP 為 79% ，測(cè)試平均精度呈現(xiàn)兩極分化，表明算法對(duì)幾何特征敏感的表面缺陷更具識(shí)別優(yōu)勢(shì)，證實(shí)了光照魯棒特征融合技術(shù)可提升工業(yè)質(zhì)檢準(zhǔn)確性。

2.1.2其他兩階段目標(biāo)檢測(cè)算法

CascadeR-CNN是經(jīng)典的兩階段目標(biāo)檢測(cè)算法，通過(guò)級(jí)聯(lián)多個(gè)逐漸精細(xì)化的R-CNN模型提高檢測(cè)的準(zhǔn)確性，每個(gè)階段都會(huì)對(duì)候選區(qū)域進(jìn)行更精確的分類(lèi)和定位，最終實(shí)現(xiàn)對(duì)目標(biāo)的高效準(zhǔn)確檢測(cè)。針對(duì)工業(yè)環(huán)境中金屬表面缺陷的復(fù)雜檢測(cè)需求，ACRM 深度學(xué)習(xí)框架（Attention Cascade R-CNN with Mix-NMS）[18]以級(jí)聯(lián)檢測(cè)網(wǎng)絡(luò)為框架，創(chuàng)新性融合通道注意力機(jī)制與混合非極大值抑制策略Mix-NMS，其中注意力模塊強(qiáng)化了缺陷區(qū)域的特征表征能力，Mix-NMS模塊則有效優(yōu)化了密集小目標(biāo)的檢測(cè)精度。實(shí)驗(yàn)表明，ACRM深度學(xué)習(xí)框架在保持高檢測(cè)效率的同時(shí)，定位精度提升達(dá) 23.6% ，對(duì)不規(guī)則邊界缺陷的識(shí)別效果顯著。

MaskR-CNN算法通過(guò)特征金字塔網(wǎng)絡(luò)（FPN）增強(qiáng)多尺度目標(biāo)的檢測(cè)能力，并利用RoIAlign技術(shù)改善了區(qū)域建議的精度，在圖像中識(shí)別和分割不同實(shí)例的目標(biāo)方面表現(xiàn)出色。為提高在小缺陷檢測(cè)方面汽車(chē)發(fā)動(dòng)機(jī)零件表面缺陷檢測(cè)的準(zhǔn)確性，一種改進(jìn)的 Mask R-CNN模型IA-Mask R-CNN[19]通過(guò)優(yōu)化錨點(diǎn)（an-chor）設(shè)計(jì)提高小缺陷的檢測(cè)能力，并使用高分辨率的顯微鏡獲取的圖像數(shù)據(jù)來(lái)訓(xùn)練和優(yōu)化網(wǎng)絡(luò)。結(jié)果表明，在檢測(cè)汽車(chē)發(fā)動(dòng)機(jī)零件的表面缺陷方面，尤其是小缺陷和大區(qū)域缺陷方面有更好的性能。

2.2單階段目標(biāo)檢測(cè)算法

單階段目標(biāo)檢測(cè)算法相當(dāng)于一個(gè)回歸分析模型，通過(guò)卷積神經(jīng)網(wǎng)絡(luò)提取目標(biāo)圖像的高級(jí)特征，省略了區(qū)域生成網(wǎng)絡(luò)（Region Proposal Network，RPN），將區(qū)域生成和目標(biāo)檢測(cè)整合到一個(gè)網(wǎng)絡(luò)中，直接回歸物體的類(lèi)別概率和位置坐標(biāo)值，降低了整體模型的復(fù)雜程度的同時(shí)提升了模型的計(jì)算速度，基本流程如圖4。目前主流的單階段目標(biāo)檢測(cè)算法有 YOLO 系列算法、RetinaNet[20]、Swin Transformer[21]、U-Net[2]、SSD（Sin-gle Shot MultiBox Detector）[23]、CornerNet[24]、EfficientDet[25] M2Det （Multi-level Feature Pyramid Network）[26]、ATSS（Adaptive Training Sample Selection）[27]，CentripetalNet[28]等。

2.2.1 YOLO系列算法

發(fā)光二極管（SMDLED）芯片的缺陷檢測(cè)過(guò)程中，存在無(wú)法識(shí)別缺少的組件和有缺陷的表面等問(wèn)題，基于YOLOv3模型的改進(jìn)版—YOLOv3-dense[29]將Darknet-53主干網(wǎng)絡(luò)替換為密集連接的卷積網(wǎng)絡(luò)（DenseNet），引人 Taguchi方法評(píng)估 YOLOv3-dense 超參數(shù)的敏感性。結(jié)果顯示，YOLOv3-dense 的測(cè)試平均精度mAP比傳統(tǒng)的 YOLOv3 高了 14.98% 。電弧增材制造（Wire Arc Additive ，WAAM）在線檢測(cè)中，傳統(tǒng)機(jī)器學(xué)習(xí)難以應(yīng)對(duì)復(fù)雜缺陷類(lèi)型及噪聲干擾，在YOLOv4架構(gòu)中集成通道/空間雙注意力機(jī)制的YOLO-attention改進(jìn)模型[30]強(qiáng)化了特征聚焦能力，結(jié)合多尺度空間金字塔池化提升多尺寸缺陷識(shí)別效果。在WAAM專(zhuān)用缺陷數(shù)據(jù)集上測(cè)試平均精度mAP達(dá) 94.5% ，處理速度達(dá)42fps以上。針對(duì)齒輪缺陷檢測(cè)模型速度與精度失衡問(wèn)題，輕量化STMS-YOLOv5 算法[31采用ShuffleNetv2主干網(wǎng)絡(luò)結(jié)合轉(zhuǎn)置卷積進(jìn)行上采樣降低復(fù)雜度，頸部集成MECA（Multi-scale Channel Attntion）注意力機(jī)制補(bǔ)償精度損失，檢測(cè)頭引入SIOU_Loss 加速收斂，在齒輪/鋼材缺陷數(shù)據(jù)集上檢測(cè)速度分別為130.4fps 和133.5fps，參數(shù)量與計(jì)算量分別降低 44.4%.50.3% ，測(cè)試平均精度mAP達(dá) 98.6% 與 73.5% 。針對(duì)液壓閥塊表面微小缺陷檢測(cè)中因低對(duì)比度與背景干擾導(dǎo)致的漏檢問(wèn)題，改進(jìn) YOLOv7算法[32]在多尺度特征融合模塊后引入CA注意力機(jī)制強(qiáng)化缺陷特征聚焦，采用ELAN-RepConv 結(jié)構(gòu)替代原ELAN_2模塊增強(qiáng)特征學(xué)習(xí)能力。結(jié)果表明，在液壓閥塊缺陷數(shù)據(jù)集上測(cè)試平均精度mAP達(dá) 97.6% ，較原YOLOv7提升了 8.4% ，檢測(cè)速度達(dá) 55.2fps ;相比YOLOv7-E6E算法，在參數(shù)量減少 75.4% 情況下精度提高了 1.8% 。針對(duì)鋼材表面缺陷檢測(cè)精度低、速度慢的問(wèn)題，改進(jìn)型WFRE-YOLOv8s檢測(cè)器[33]引人WIoU損失函數(shù)緩解數(shù)據(jù)質(zhì)量不平衡，設(shè)計(jì)了CFN模塊替代C2f結(jié)構(gòu)壓縮參數(shù)規(guī)模，構(gòu)建了基于RFN的頸部網(wǎng)絡(luò)實(shí)現(xiàn)多尺度特征高效融合。結(jié)果表明，在NEU-DET數(shù)據(jù)集測(cè)試平均精度mAP達(dá) 79.4% ，比YOLOv8s提升了 4.7% 。

2.2.2 其他單階段目標(biāo)檢測(cè)算法

RetinaNet 通過(guò)創(chuàng)新性FocalLoss 函數(shù)有效緩解目標(biāo)檢測(cè)中的類(lèi)別失衡問(wèn)題，構(gòu)建基于ResNet-FPN架構(gòu)的分類(lèi)與回歸雙分支網(wǎng)絡(luò)，實(shí)現(xiàn)端到端高效檢測(cè)框架。針對(duì)鋼鐵表面缺陷檢測(cè)需求，DEA_RetinaNet模型[34]集成差異通道注意力（Difference Channel Attention，DEA）機(jī)制與自適應(yīng)空間特征融合（AdaptiveSpatial Feature Fusion，ASFF）技術(shù)，強(qiáng)化淺層紋理特征與深層語(yǔ)義特征的跨尺度融合能力。在NEU-DET數(shù)據(jù)集上該模型測(cè)試平均精度mAP達(dá) 78.25% ，比基準(zhǔn)RetinaNet提升 2.92% 。

Swin Transformer通過(guò)移動(dòng)窗口自注意力機(jī)制與層次化架構(gòu)設(shè)計(jì)，構(gòu)建能夠平衡計(jì)算效率與特征表征能力的通用視覺(jué)主干網(wǎng)絡(luò)。針對(duì)工業(yè)零件表面缺陷檢測(cè)中背景相似性、多尺度缺陷及低對(duì)比度難題，Swin-MFINet 模型[35]采用 Inception 網(wǎng)絡(luò)作為編碼器提取局部特征，Swin Transformer 解碼器捕獲全局上下文，結(jié)合多特征融合模塊與通道-空間雙注意力機(jī)制實(shí)現(xiàn)跨層次特征優(yōu)化。該模型在MT和MVTec數(shù)據(jù)集上平均交并比（mean Intersection overUnion，mIoU）分別達(dá) 81.37%.77.07% ，性能優(yōu)于當(dāng)前其他表面缺陷檢測(cè)方法。

U-Net 是基于編碼器-解碼器架構(gòu)，通過(guò)跳躍連接實(shí)現(xiàn)多尺度特征融合，在小目標(biāo)識(shí)別與邊緣定位方面具有顯著優(yōu)勢(shì)。針對(duì)帶鋼表面缺陷分割任務(wù)，Low-pass U-Net^[36] 創(chuàng)新性引人自適應(yīng)方差高斯低通層動(dòng)態(tài)調(diào)整空間濾波參數(shù)，配合亞像素卷積優(yōu)化的 Hypercolumn 模塊實(shí)現(xiàn)高精度上采樣。實(shí)驗(yàn)表明，該方法將 Dice系數(shù)提升至0.903，比基線模型提高 3% ，在保證每張圖僅需 0.92s 的推理速度下達(dá)成了精度與計(jì)算效率的優(yōu)化平衡。

2.3表面缺陷檢測(cè)算法的局限性及挑戰(zhàn)

工業(yè)零件表面缺陷檢測(cè)算法面臨精度、速度與泛化能力的多維平衡挑戰(zhàn)。R-CNN系列通過(guò)級(jí)聯(lián)結(jié)構(gòu)和注意力機(jī)制實(shí)現(xiàn)測(cè)試平均精度 mAP 達(dá) 82.3% ，但多級(jí)處理導(dǎo)致推理延遲超 150ms ，難以適配高速產(chǎn)線；YOLO系列借助多尺度預(yù)測(cè)與SENet注意力模塊對(duì)亞毫米級(jí)缺陷漏檢率優(yōu)化至 12.8% ，但在強(qiáng)反光環(huán)境中誤檢率仍達(dá) 18.4% ;其改進(jìn)模型參數(shù)縮減 44% 后測(cè)試速度達(dá) 97fps ，測(cè)試平均精度mAP下降了 8% ；單階段檢測(cè)器如DEA_RetinaNet通過(guò)特征融合實(shí)現(xiàn)測(cè)試平均精度mAP達(dá) 78.25% ，引入FPN后參數(shù)量增加43% ，能效比降至0.32TFLOPS/W。當(dāng)前的關(guān)鍵是在硬件適配性、環(huán)境魯棒性及跨域通用性3個(gè)方面，通過(guò)動(dòng)態(tài)注意力機(jī)制、無(wú)監(jiān)督域適應(yīng)及算法-硬件協(xié)同設(shè)計(jì)等方向的融合，以實(shí)現(xiàn)檢測(cè)精度、速度與工業(yè)部署成本的最優(yōu)化。

在工業(yè)表面缺陷檢測(cè)領(lǐng)域，深度學(xué)習(xí)技術(shù)仍存在以下問(wèn)題：1）小目標(biāo)檢測(cè)依賴(lài)高分辨率硬件，成本提高；2）現(xiàn)有方法在強(qiáng)干擾環(huán)境下的誤檢率提高 12%～18% ；3）輕量化模型難以平衡速度與精度，如STMS-YOLOv5速度達(dá)130.4fps但精度降低 9.8% ;4）數(shù)據(jù)稀缺制約模型泛化，域適應(yīng)方法遷移誤差高達(dá) 15%～ 23%;5） 嵌入式部署受制于內(nèi)存帶寬，如改進(jìn)YOLOv8s在JetsonTX2延遲仍超 50ms 。需融合算法創(chuàng)新、硬件架構(gòu)優(yōu)化及物理建模協(xié)同突破。

3 表面缺陷檢測(cè)研究熱點(diǎn)

3.1表面缺陷檢測(cè)算法的研究熱點(diǎn)

CNKI和WOS數(shù)據(jù)庫(kù)相關(guān)文獻(xiàn)關(guān)鍵詞時(shí)間線如圖5，直觀地展示了近年來(lái)基于深度學(xué)習(xí)的工業(yè)零件表面缺陷檢測(cè)領(lǐng)域的發(fā)展歷程、研究方向及前沿?zé)狳c(diǎn)。從圖5看出，研究主題主要集中在機(jī)器視覺(jué)、缺陷檢測(cè)、特征提取、深度學(xué)習(xí)等方面，機(jī)器視覺(jué)與缺陷檢測(cè)構(gòu)成雙核心研究領(lǐng)域。CNKI數(shù)據(jù)庫(kù)的數(shù)據(jù)顯示，在2017年至 2023年間，主要研究?jī)?nèi)容是工業(yè)場(chǎng)景應(yīng)用，深度學(xué)習(xí)在該領(lǐng)域的滲透率比2018年增長(zhǎng)了 21% ，與卷積神經(jīng)網(wǎng)絡(luò)等先進(jìn)技術(shù)深度結(jié)合，提升了檢測(cè)精度；WOS數(shù)據(jù)庫(kù)的數(shù)據(jù)顯示表明，算法創(chuàng)新主要集中在特征融合與表面檢測(cè)模型優(yōu)化方面，無(wú)損檢測(cè)技術(shù)的占比達(dá)到了 19% 。共性是機(jī)器視覺(jué)技術(shù)的演進(jìn)，經(jīng)過(guò)邊緣檢測(cè)等算法的不斷迭代的特征提取技術(shù)將工業(yè)缺陷識(shí)別的準(zhǔn)確率提升至 92.3% ；差異在于CNKI數(shù)據(jù)庫(kù)注重于算法的實(shí)際應(yīng)用與精度提升，而WOS數(shù)據(jù)庫(kù)更側(cè)重算法的原生創(chuàng)新以及非破壞性檢測(cè)的拓展。技術(shù)融合度分析顯示，跨學(xué)科方法（如深度學(xué)習(xí) + 聲發(fā)射）在WOS的復(fù)合增長(zhǎng)率達(dá) 41% ，顯著高于單技術(shù)路徑，表明未來(lái)研究應(yīng)重點(diǎn)強(qiáng)化多模態(tài)數(shù)據(jù)協(xié)同與輕量化模型開(kāi)發(fā)，以應(yīng)對(duì)智能制造場(chǎng)景下的復(fù)雜檢測(cè)需求。

3.2技術(shù)應(yīng)用前景與優(yōu)化

深度學(xué)習(xí)驅(qū)動(dòng)的表面缺陷檢測(cè)技術(shù)在汽車(chē)制造、航空航天、電子工業(yè)等領(lǐng)域展現(xiàn)出廣泛的應(yīng)用潛力。如，YOLOv3-dense模型在 SMD LED 芯片檢測(cè)中實(shí)現(xiàn)亞毫米級(jí)精度，Swin Transformer 在渦輪葉片微裂紋識(shí)別中表現(xiàn)優(yōu)異。此外，與工業(yè)物聯(lián)網(wǎng)和數(shù)字孿生技術(shù)的融合進(jìn)一步拓展了其應(yīng)用場(chǎng)景。據(jù)市場(chǎng)預(yù)測(cè)，全球工業(yè)視覺(jué)檢測(cè)市場(chǎng)規(guī)模將從2023年的42億美元增長(zhǎng)至2030年的128億美元，年復(fù)合增長(zhǎng)率達(dá) 17.2% ，其中汽車(chē)與電子行業(yè)為主要驅(qū)動(dòng)力[37]。隨著市場(chǎng)需求的快速增長(zhǎng)，工業(yè)零件表面缺陷檢測(cè)技術(shù)需要在性能和效率上實(shí)現(xiàn)進(jìn)一步突破。為此，未來(lái)技術(shù)優(yōu)化可以通過(guò)融合算法創(chuàng)新與硬件架構(gòu)優(yōu)化，對(duì)現(xiàn)有算法進(jìn)行改進(jìn)，設(shè)計(jì)輕量化的網(wǎng)絡(luò)結(jié)構(gòu)，并與硬件廠商合作開(kāi)發(fā)專(zhuān)用芯片，以提升檢測(cè)效率和精度;通過(guò)應(yīng)用數(shù)據(jù)增強(qiáng)與合成技術(shù)，利用數(shù)據(jù)增強(qiáng)技術(shù)擴(kuò)充數(shù)據(jù)集，采用生成對(duì)抗網(wǎng)絡(luò)等合成技術(shù)生成更多樣本;構(gòu)建自適應(yīng)環(huán)境的檢測(cè)系統(tǒng)，訓(xùn)練過(guò)程中引入多種環(huán)境數(shù)據(jù)，結(jié)合圖像預(yù)處理技術(shù)去除干擾;進(jìn)行漸進(jìn)式模型壓縮與優(yōu)化，采用模型剪枝、量化等技術(shù)減少參數(shù)和計(jì)算量，結(jié)合知識(shí)蒸餾提升小型模型性能，以滿足工業(yè)零件表面缺陷檢測(cè)技術(shù)在工業(yè)應(yīng)用中的性能要求。

4結(jié)束語(yǔ)

本研究通過(guò)CiteSpace軟件分析揭示了國(guó)內(nèi)外在工業(yè)零件表面缺陷檢測(cè)領(lǐng)域的研究路徑差異：國(guó)內(nèi)側(cè)重應(yīng)用集成，國(guó)外深耕理論創(chuàng)新。兩階段算法在高精度檢測(cè)方面表現(xiàn)突出，但計(jì)算復(fù)雜度較高；單階段算法則在實(shí)時(shí)性上更具優(yōu)勢(shì)。通過(guò)算法改進(jìn)和模型輕量化設(shè)計(jì)，部分算法在檢測(cè)精度和實(shí)時(shí)性上取得突破。未來(lái)研究應(yīng)聚焦于多模態(tài)數(shù)據(jù)協(xié)同、輕量化模型開(kāi)發(fā)，構(gòu)建在線自主學(xué)習(xí)檢測(cè)系統(tǒng)，以滿足智能制造需求。

參考文獻(xiàn)

[1]JIA Z T，WANG M， ZHAO S. A review deep learning-based approaches fordefect detection in smart manufacturing [J].Journal Optics，2024，53（2）：1345-1351.

[2]BAI DX，LIGF，JIANGD，et al. Surfacedefect detection methods forindustrial products with imbalancedsamples：A review progress in the 202Os[J].Engineering Applications Artificial Intelligence，2024，130：107697.

[3] 陶顯，侯偉，徐德．基于深度學(xué)習(xí)的表面缺陷檢測(cè)方法綜述[J]．自動(dòng)化學(xué)報(bào)，2021，47（5）：1017－1034.

[4] 楊勇，田海濤．基于CiteSpace的學(xué)習(xí)分析研究熱點(diǎn)與發(fā)展趨勢(shì)的可視化研究[J]．漢字文化，2023（S1）：279－281.

[5]CHEN CM. CiteSpace：a practical guide for mapping scientificliterature[M].Hauppauge，NY：Nova Science Publishers，2016.

L6」CAO X L，LIU Y，HU D. Simplitied LLK algorithm for m-QAM demodulationLJ」.The Journal Engineering，Z019， 21： 7370-7375.

[7]LUJQ，LEESH.Real-time defect detection model in industrial environment based on lightweight deep learning network[J].Electronics，2023，21（12）：4388.

[8]CHEN K，PANG JM， WANGJQ，etal. Hybrid task cascade for instance segmentation[C]//32nd IEE/CVF conference on computer vision pattern recognition. Long Beach： IEEE，20l9：4969-4978.

[9]KAUR R，SINGH S.Acomprehensive review object detection with deep learning[J]. Digital Signal Processing， 2023，132：103812.

[10]GIRSHICK R，DONAHUEJ，DARRELL T，et al.Region-based convolutional networks for accurate object detection segmentation[J]. IEEE Transactions on Patern Analysis Machine Intellgence，2O15，38（1）：142-158.

[11]CAI Z W， VASCONCELOS N. Cascade r-cnn： Delving into high quality object detection[C]//31st IEEEConference on Computer Vision Pattern Recognition. Salt Lake City：IEEE，20l8：6154-6162.

[12] HE K M，GKIOXARI G，DOLLAR P，et al. Mask r-cnn[C]/ 16th IEEE Conference on Computer Vision. Venice： IEEE，2017：2961－2969.

[13]HEK M， ZHANG X Y，REN S Q，et al. Spatial pyramid pooling in deep convolutional networks for visual recognition [J]. IEEE Transactions on Pattern Analysis Machine Intelligence，2O0l5，37（9）：1904-1916.

[14]LIN TY， DOLLAR P，GIRSHICK R，et al. Feature pyramid networks for object detection[C]//30th IEEE Conference on Computer Vision Pattern Recognition. Los Alamitos：IEEE，20l7：2117-2125.

[15] DAI JF，LI Y，HE K M，et al.R-fcn：object detection via region-based fullyconvolutional networks[C]/ 30th Conference on Neural Information Processing Systems （NIPS）. Barcelona：Proceedings Paper，2016，29.

[16] 黃鳳榮，李楊，郭蘭申，等．基于Faster R-CNN的零件表面缺陷檢測(cè)算法[J]．計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)學(xué)報(bào)，2020， 32（6）：883-893.

[17] SELAMET F，CAKAR S， KOTAN M. Automatic detection classification defective areas on metal parts by using adaptive fusion faster R-CNN shape from shading[J]. IEEE Access，2022，10：126030-126038.

[18]FANG J T， TAN X Y， WANG Y H. ACRM： Attention cascade R-CNN with mix-NMS for metalic surface defect detection[C]/ 25th International Conference on Pattern Recognition （ICPR）．Milan： IEEE，2021：423-430.

[19] ZHU H J， WANG YC， FAN J W. IA-Mask R-CNN： improved anchor design mask R-CNN for surface defect detection automotive engine parts[J]. Applied Sciences，2022，12（13）：6633.

[20]ROSS TY，DOLLARG.Focal los fordense object detection[C]//30th IEEE Conference on Computer Vision Pattern Recognition. IEEE，2017：2980－2988.

[21] LIU Z，LINYT，CAO Y.et al. Swin transformer：hierarchical vision transformer using shifted windows[C]//18th IEEE/CVF International Conference on Computer Vision. Electr Network： IEEE，2021：100l2-10022.

[22]RONNEBERGER O，F(xiàn)ISCHER P，BROX T. U-net： Convolutional networks for biomedical image segmentation[C]/ Medical Image Computing Computer-asisted Intervention-MICCAI 2015，Munich： Springer，2015：234-241.

[23] LIU W，ANGUELOV D，ERHAN D，et al. Ssd： single shot multibox detector[C]//Computer Vision-ECCV 2016： 14th European Conference. Amsterdam： Springer，20l6：21-37.

[24]LAW H，DENG J. Cornernet：detecting objects as paired keypoints[C]/ 15th European Conference on Computer Vision（ECCV）.Munich：Springer，2018，11218：765-781.

[25]TAN M X，PANG R M，LE Q V. Eficientdet： scalable eficient object detection[C]/IEEE/CVF Conferenceon Computer Vision Pattern Recognition. Seatte： IEEE， 2020： 10778 -10787.

[26]ZHAO QJ，SHENG T，WANGYT，et al. M2det：A single-shot object detector based on multi-level feature pyramid network[C]// 33rd AAAI Conference on Artificial Inteligence. Honolulu：AAAI，2019，33（1）： 9259-9266.

[27]ZHANG SF，CHI C，YAO YQ，etal. Bridging the gap between anchor-based anchor-free detection viaadaptive training sample selection[C]// IEEE/CVF Conference on Computer Vision Pattern Recognition. Seatle： IEEE， 2020：9756-9765.

[28]DONG Z W，LI G X，LIAO Y，et al. Centripetalnet：pursuing high-quality keypoint pairs for object detection[C]// IEEE/CVF Conference on Computer Vision Pattern Recognition. Seatte：IEEE，2020：10519－10528.

[29]CHEN S H， TSAICC. SMD LED chips defect detection using a YOLOv3-dense model[J].Advanced Engineering Informatics，2021，47：101255.

[30]LI W H，ZHANG HO，WANG G L，et al. Deep learning based online metallc surface defect detection method for wire arc additive manufacturing[J]. Robotics Computer-Integrated ，2O23，80：102470.

[31] YAN R，ZHANG R Y，BAIJ Q，et al. STMS-YOLOv5： A lightweight algorithm for gear surfacedefect detection[J]. Sensors，2023，23（13）：5992.

[32] 季娟娟，王佳，陳亞杰，等．基于改進(jìn)YOLOv7的液壓閥塊表面微小缺陷檢測(cè)[J]．計(jì)算機(jī)工程，2023，49（11）：302－310.

[33] HUANG Y，TAN W Z，LIL，et al. WFRE-YOLOv8s：A new type defect detector for steel surfaces[J]. Coatings， 2023，13（12）：2011.

[34]CHENG X，YUJB.Retina Net with diferencechannelatentionadaptivelyspatialfeaturefusion forstel surface defect detection[J]. IEEE Transactions on Instrumentation Measurement， 2020，70：1-11.

[35] UZEN H，TURKOGLU M， YANIKOGLU B，et al. Swin-MFI Net： swin transformer based multi-feature integration network for detection pixel-level surface defects[J].Expert Systems with Applications，2022，209：118269.

[36]LIU B，YANG B， ZHAO Y L，et al. Low-pass U-Net： a segmentation method to improve strip stel defect detection [J].Measurement Science Technology，2022，34（3）：035405.

[37]LUODL，CAI Y X，YANG ZH，etal. Surveyon industrial defect detection withdep learning[J]. Scientia Sinica Informationis，2022，52（6）：1002-1039.