典型文献
基于机器视觉和深度学习的材料缺陷检测应用综述
文献摘要：
因材料缺陷而导致的安全问题一直是备受人们关注的热点问题,如何实现对材料缺陷的快速准确识别与定位是当今材料缺陷问题的研究重点.传统的无损检测方法主要通过超声波、X射线等实现对材料缺陷的识别与定位,这种方法虽然解决了人工检测效率低等问题,但是难以满足智能化、自动化与高精度的多重要求.计算机领域的进步刺激了机器视觉在材料缺陷检测方面的飞速发展,机器视觉检测技术的特点主要是将无损检测、自动化与智能化相结合,不仅安全性好、效率高,而且检测精度高.但是大多数机器视觉设备存在对不同缺陷识别任务需要不同图像处理算法的问题,意味着设备的通用性低,而且设备的生产与维护的成本也较高.近年来,深度学习的崛起推动人工智能领域迅猛发展,并且解决了传统的机器视觉对不同任务进行分类需要不同图像处理算法的问题,深度学习也成为材料缺陷检测方面的一个热门研究方向,已经有很多学者将深度学习技术应用到材料缺陷检测方向,而且无论是对材料的缺陷类别进行分类,还是对材料的缺陷进行定位与分割,相关研究都取得了不错的成果.本文首先对传统方法和机器视觉方法在材料缺陷方面的应用进行了概述与分析,叙述了深度学习在材料缺陷检测中的原理,然后分别系统地阐述了国内外深度学习在缺陷的分类、定位以及分割技术方面最新的应用,并对深度学习在材料缺陷检测领域应用的未来发展趋势进行了展望.
文献关键词：
机器视觉;材料缺陷检测;深度学习;卷积神经网络
中图分类号：
作者姓名：
杨传礼;张修庆
作者机构：
华东理工大学机械与动力工程学院,上海200237;华东理工大学承压系统安全科学教育部重点实验室,上海200237
文献出处：
引用格式：
[1]杨传礼;张修庆-.基于机器视觉和深度学习的材料缺陷检测应用综述)[J].材料导报,2022(16):222-230
A类：
B类：
材料缺陷检测,检测应用,应用综述,因材,快速准确,准确识别,识别与定位,缺陷问题,无损检测方法,检测效率,计算机领域,机器视觉检测技术,检测精度,缺陷识别,图像处理算法,通用性,人工智能领域,深度学习技术,陷进,不错,检测领域
AB值：
0.180386
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
