YOLOv3在工业生产中产品瑕疵检测的可行性分析

图像中瑕疵检测

1.概述

瑕疵检测是机器视觉任务中的一条分支，在技术发展的过程中对于图片处理的方式往往使用CNN（卷积神经网络）作为处理模型，毫无疑问CNN的在处理图像方面有着独特的优势，通过设置卷积核我们可以使得计算机提取图像的特征数据，再通过延伸纵向的网络模型增加网络神经元的个数，可以很好地让网络模型识别图片中的内容，所以说CNN在图像分类和识别当中都有着很好的效果，在实践过程中也有着很不错的表现。但是在图像瑕疵检测的任务中，我们不能单纯地使用CNN来提取特征，通过整体的图像特征来预测图片中瑕疵的信息，因为图片中瑕疵的信息站整体图片信息的比例很小，在这种情况下模型很容易忽略了这部分信息，但是我们恰好想要预测的就是这些内容。

2.瑕疵检测的开山鼻祖RCNN

在机器视觉发展的过程中，为了很好地处理包含重要信息的区域像素，应运而生RCNN（基于区域的卷积神经网络）模型，它的工作流程如下图所示。

RCNN是CNN在图像检测中的一种扩展，用以弥补图像在小范围区域中的信息忽略的问题。其核心的思想是滑动窗口块的设置，在这里不过多赘述（参照论文《Region-Based Convolutional Networks for
Accurate Object Detection and Segmentation》）过程简述如下：在图片中自定义一个滑动窗口，利用这个滑动窗口从图像的开始位置进行扫描分析࿰