金属材料表面缺陷检测存在的挑战和研究建议

　　(1)与其他基于计算机视觉的表面缺陷检测任务相比，在现实世界中的金属平面材料工业制造中，除了检测精度和计算效率之间的平衡外，更重要的是确保检测算法的稳定性，尤其是对环境变化的稳健性。此外，还必须具有检测缺陷多样性的能力，尤其是没有边缘特征的变形缺陷。

　　(2)算法的快速性和通用性是现实AVI系统应用中的两个关键问题。至于算法本身，与复杂的学习网络相比，在线表面缺陷检测作为一种无监督的实时检测任务，更倾向于使用轻量级算法，而机器学习或深度网络则更适合于处理复杂的网络。具有丰富数据集的多类分类问题(即缺陷分类)。就硬件而言，边缘计算的概念可以用于终端加速。例如，专用集成电路(ASIC)，类似于现场可编程门阵列(FPGA)，可以放置在图像采集的前端以实时完成原始数据的预处理，以防止复杂的信息影响后续处理。

　　(3)噪声平滑和边缘增强是缺陷检测的重要预处理操作，应尽可能靠近成像的传感器侧进行布置。此外，检测系统最有效的去噪方法是通过一些可行的工程措施使图像尽可能清晰。例如，应在目标的透镜侧和表面侧安装鼓风机或离子气枪，以去除恶劣的工业环境在光学表面上产生的水滴，灰尘，纤维等，并提供光源应当在目标侧施加均匀，适度的亮度，以克服白天和晚上照明变化引起的光线不均匀的影响。另外，一些经济有效的冷却配置措施和成像设备的安全保护措施对于避免由高温和机械振动等恶劣环境引起的成像退化也具有重要意义。

　　(4)最新的机器学习技术提供了一种新方法来处理此数据不平衡问题。例如，GAN在生成缺陷样本方面取得了巨大的成功。为避免GAN中的可解释性差的问题，可以将其与强化学习联系起来，并且可以将GAN用于逆向强化学习和模拟学习，以提高强化学习的效率，图像和文本的转换能力以及机器的理解能力。由于研究人员在不同的数据集上使用不同的方法进行实验，因此很难公平地比较不同技术的检测性能。受生物识别领域研究的启发，构建一个丰富多样的金属平面材料表面缺陷数据库将是该领域的一项长期工作。

　　(5)金属平面材料表面缺陷的自动视觉检测应努力适应世界工业竞争格局的新调整，抢占未来工业竞争的制高点。应努力促进多种技术的深度集成和有机协作，研究金属平面材料的表面缺陷检测算法和方法。