论文阅读笔记《Convolutional Neural Networks for Steel Surface Defect Detection from Photometric Stereo》
小样本学习&元学习经典论文整理||持续更新
核心思想
本文提出一种使用光度立体图像（Photometric Stereo Images）对钢轨表面缺陷进行检测的方法，关于光度立体图像我没找到特别详细的介绍，大体的概念是被拍摄的物体保持不动，光源会移动到多个位置，分别拍摄照片。根据图像中高光部分和阴影部分的变化，来获取物体的3D信息。但本文构建的图像采集装置似乎不是这样实现的，该装置的示意图如下图所示
首先在暗场环境下（没有其他光源），分别用两个光源（蓝色和红色）从两个方向去照射样本，只有在样本表面存在凹坑或者凸起的地方，才会将光纤漫反射到摄像头中。图(b)中展示了一个理想的凹坑，图©展示了 凹坑处对于左右两个光源的反射情况。可以看到在平坦区域，光线的反射是处于中间值的，而在凹坑处则会有明显的突变，正是利用这一特性能够实现对于凹坑和凸起缺陷的检测。
作者介绍了两种检测方式：基于模型的传统检测方法和基于深度学习的检测方法。基于模型的检测方法，就是根据不同颜色的亮度（叫亮度可能不合适，就是这个颜色通道的数值）与平坦区域的亮度的比值，来判断是否属于缺陷区域，判断条件如下
其中
r
+
d
r_{+d}
r+d表示以某个点为基准向右侧偏移距离为
d
d
d处的红色光数值，
−
d
-d
−d则表示向左侧偏移，
b
b
b表示蓝色光，
r
ˉ
,
b
ˉ
\bar{r},\bar{b}
rˉ,bˉ表示平坦区域的数值，
t
r
，
t
b
t_{r}，t_{b}
tr，tb表示设定的阈值。当上述四个条件满足三个时，就可以判断为存在缺陷了。
基于深度学习的方法就比较好理解了，将拍摄得到的图块输入到卷积神经网络中，最后用全连接层和池化层输出存在缺陷的概率值，输出的神经元数目对应于需要被识别的图片类别数目。
算法评价
这是篇偏向工程应用的文章吧，说实话我也没找出什么创新点，就是使用了一个光度立体相机，利用缺陷的视觉特性实现了缺陷检测。本身没有什么独创性的价值，而且光度立体相机本身的适用对象也是受限的，适用于具有光洁表面的物体。而且缺陷必须要有凹凸特性，使用该方法才有意义，对于平面上的污染或者划痕等缺陷，该方法是不能有效检测的。
如果大家对于深度学习与计算机视觉领域感兴趣，希望获得更多的知识分享与最新的论文解读，欢迎关注我的个人公众号“深视”。