随着我国人口红利的逐渐消失以及国际竞争的加剧，我国制造业面临越来越大转型升级压力，从而对智能制造技术的需求也越来越迫切。越来越多的机器视觉表面缺陷装备已经在各工业领域替代人工肉眼检测,包括3C、汽车、家电、机械制造、半导体及电子、化工、医药、航空航天、轻工等行业.

人工质检

机器视觉

传统的基于机器视觉的表面缺陷检测方法, 往往采用常规图像处理算法或人工设计特征加分类器方式。然而，在真实复杂的工业环境下, 表面缺陷检测往往面临诸多挑战。例如：

1）缺陷尺度变化大、成像与背景差异小

2）缺陷类别多、存在不规则纹理与模糊边缘

3）自然场景下存在大量干扰等情形

……

(a) 光学元件暗场成像划痕图像

(b) 板带钢表面缺陷

(c) 无人机航拍绝缘子缺陷

复杂工业环境下的表面缺陷图像

面对这些任务，此时经典图像处理方法已经无法满足新的任务要求，随着深度学习方法在诸多计算机视觉领域成功应用。近年来，不少基于深度学习的缺陷检测方法也大量被提出, 甚至国内外一些公司开发出多种基于深度学习的商用工业表面缺陷检测软件。

鉴于目前国内还没有全面细致论述基于深度学习表面缺陷检测方法的综述文献, 本文通过对近五年相关文献进行归纳梳理, 旨在帮助研究人员快速和系统地了解该领域相关方法与技术. 将现有方法分为全监督学习模型方法、无监督学习模型方法和其他方法三大类, 并对各种典型方法进一步细分归类和对比分析, 总结了每种方法的优缺点和应用场景，以期帮助读者在面对真实工业质检落地应用中提供有效参考.

缺陷检测方法框架图

基于深度学习的缺陷检测案例效果：

纳米纤维

地面裂纹

铝型材表面擦花缺陷

文章整体内容安排如下: 第1部分给出缺陷检测问题的定义. 第2部分重点对最近几年相关方法进行详细介绍、细分和对比. 第3部分分析基于深度学习的表面缺陷检测中三个关键问题：小样本、实时性和与传统方法对比. 第4部分介绍工业领域公开的缺陷检测数据集. 最后, 对未来可能的研究焦点和发展方向进行了展望.