下面结合附图和具体实施方式对本发明作详细地描述，实施方式不能在此一一赘述，但本发明的实施方式并不因此限定于以下实施方式。
如图1所示，本发明的镜头缺陷检测方法包括s1、对镜头的端面、凸台进行缺陷检测；s2、对镜头内部结构进行缺陷检测；s3、对镜头上表面和下表面进行缺陷检测。根据本发明的构思，本发明的检测方法在实际操作中，检测方法的步骤s1、步骤s2和步骤s3是可以任意调换的。
1.1缺陷的定义
当前对于缺陷有两种认知的方式,种是有监督的方法,也就是体现在利用标记了标签(包括类别、矩形框
或逐像素等)的缺陷图像输入到网络中进行训练.此时'缺陷意味着标记过的区域或者图像。第二种是无监督的
方法,就是将正常无缺陷的样本进行学习,学习正常区域的特征,网络检测异常的区域。
缺陷检测的任务大致分为三个阶段分别是缺陷分类、缺陷定位、缺陷分割,如下图所示,缺陷分类需要分类出
缺陷的类别(色、空洞、经线) ; 缺陷定位不仅需要获取缺陷的类别还需要标注出缺陷的位置; 缺陷分割将
缺陷逐像素从背景中分割出来。
目标定位是计算机视觉领域中基本的任务之一,同时它也是和传统意 义上缺陷检测接近的任务，其期的是获
得目标的位置和类别信息。目前， 基于深度学习的目标检测方法层出不穷，-般来说， 基于深度学习的缺陷
检测网络从结构.上可以划分为:以Faster R-CNN为代表的两阶段(two stage)网络和以SSD或YOLO为代表的一
阶段(one stage)网络。两者的主要差异在于两阶段网络需要首先生成可能包含缺陷的候选框(proal),然后在
进一步进行目标检测。-阶段网络直接利用网络中提取的特征来预测缺陷的位置和类别。
以上信息由专业从事工业缺陷检测的宣雄于2024/7/4 11:39:17发布
转载请注明来源：http://szhou.mf1288.com/szxxznlj-2780558948.html
