论文解读：Segmentation-based deep-lea

本文应用方向为对缺陷表面进行语义分割，得出置信度，实现缺陷检测任务。将缺陷检测看作二分类任务。
1.本文提出的方法为二阶段方法。第一阶段是一个分割网络，实现缺陷的像素级定位；第二阶段是二分类网络，使用分割网络的feature map 和分割网络的输出进行分类。（segmentation network +decision network）

image.png

2.为实现大分辨率图像上的小缺陷检测任务，网络结构设计需要具有如下特点，1）大感受野，即大的卷积核2）获取小尺寸特征细节的能力。
segmentation network：额外的下采样层和在深层网络中采用大的卷积核来提升感受野尺寸。浅层是选的通道比较少，深层选的通道多，获取更多感受野较大的feature。模型8倍下采样，全卷积结构。
decision network：选取segmentation network的feature map 和segmentation network的输出进行二分类。
3.模型的输出为热力图及异常分数，热力图仅作为可视化，根据异常分数判断缺陷。
4.本文一大特点是数据集异常样本非常少，300张图片，30张异常样本，作者说第二点模型的架构设计使得能对小尺寸缺陷学校较好的特征，能在异常样本较少的情况依旧获得较好的效果，但如此少的样本感觉容易过拟合。
5.性能分析比较全面，比较了不同的标注方法，低分辨率、旋转、不同的损失函数对模型的影响。
选择一种商业软件Vidi和两种soat语义分割算法Deeplabv3+和U-Net,效果均最优。