工业生产中，产品表面质量事关产品性能及安全，因此，需要对其表面质量进行严格检测。人工目视检测被广泛应用于表面缺陷检测中，虽然可以凭借检测员丰富的经验对正常零件和异常零件做出精确判断，但存在人工成本高昂和不同检测员检测标准有差异的局限性。

目前，工业产品的表面缺陷检测主要依赖机器视觉检测方法。但由于一些产品表面缺陷图像的复杂性，机器视觉方法应用于带钢表面缺陷检测存在以下三个难点：

1、图像中的缺陷与背景的对比度较低、许多缺陷的边缘模糊

2、一些不同类别的缺陷在纹理和灰度等信息上非常相似、同类缺陷的形状、尺寸大小变化多样

3、凌乱的背景、不均匀分布的光照和噪声均对缺陷的识别均形成了较强的干扰

传统机器视觉表面缺陷检测方法利用人工设计的低级特征识别缺陷，对于复杂背景下的表面缺陷图像无法取得满足要求的结果。除此之外，传统机器视觉图像处理算法通常是针对某一特定数据集设计，普适性差。结合以上所存在的问题，虚数科技推出DLIA工业机器视觉平台，基于深度学习的机器视觉表面缺陷检测方法能够自动从表面缺陷图像中获取不同尺度和不同级别的特征，只用少量的训练数据就可以实现对工业产品表面缺陷的实时分割与检测，很好地契合了工业界对于产品表面质量检测的高要求。

今天我们就为大家分享一些运用DLIA完成的钢环缺陷分割案例。