缺陷检测之两阶段深度卷积网络论文学习

前言

本文对Jakob Božič, Domen Tabernik, Danijel Skočaj 2020 年的论文 End-to-end training of a two-stage neural network for defect detection 进行了研究和学习.。原文探讨了对于表面缺陷检测的深度学习方法，以电子换向器表面数据集(KolektorSDD) 为研究对象，选择了以语义分割网络和图像二分类网络组成的两阶段深度卷积网络，对数据集图像进行像素级的语义分割后分类，达到了较高的缺陷检测精度。

一、算法分析

将表面缺陷检测问题视为一个二元分类问题，首先通过一个语义分割全卷积网络将输入图像每个像素作为样本训练，在最后进行反卷积得到像素级的预测结果；接着在第二阶段结合分割输出和分割网络的特征进行分类，得到最后的分类输出结果。

1.分割网络

该网络由11个卷积层和3个最大值池化层组成，每个池化层将分辨率降低为原来的一半，每个卷积层之后是一个特征归一化层和一个非线性激活函数（RELU）层，以提高收敛速度。前9个卷积层使用5×5的卷积核，后两个卷积层分别使用1024个15×15和1个1×1的卷积核，得到单通道、被缩放8倍的的特征图。

2.分类网络

得到语义分割输出后，将在分割网络中通过15×15卷积后得到的1024通道特征图和通过1×1卷积后的单通道特征图进行组合，得到1025通道的特征图作为分类网络
的第一个输入，将单通道特征图作为第二个输入。将第一个输入分别通过8