程婧怡，段先华，朱 伟

江苏科技大学 计算机学院，江苏 镇江 212100

金属作为主要的工业产品原材料之一，在加工过程中难免会对表面造成损伤，如划痕、裂缝等[1]。金属表面的损伤会使产品的质量、美观受到严重的影响，导致企业利润减少，因此企业需要在产品生产过程中对金属表面进行缺陷检测，确保产品质量，降低成本。然而传统的人工检测，由于人的主观因素影响较大，存在漏检、成本高、效率低等问题[2]。因此，金属表面的缺陷如何获得高效精准的检测也成为热门的研究方向之一。

早期的金属表面缺陷检测引入了机器视觉技术，主要分为两类：传统的图像处理方法和基于人工提取特征的机器学习方法[3]。虽然两类方法在一定程度上可以克服人工检测的主观性强、效率低等缺点，但是机器视觉技术会受硬件设备和周围环境影响，无法准确地定位缺陷位置，造成信息误差，难以大规模地应用到实际项目中。随着计算机视觉技术的不断发展，深度学习的检测方法得到广泛应用，并且逐渐的取代传统机器视觉对金属表面缺陷的检测。深度学习检测算法从思路上主要分为两类：一类是two-stage 方法，也称为基于区域的目标检测算法。这类方法是将目标检测分为生成候选框和识别目标类别两部分，如Mask R-CNN[4]、Faster R-CNN[5]等算法，优势在于检测精度较高。另一类是one-stage 方法，直接从图片中预测出物体的类别，如YOLO[6]、SSD[7]等算法，优势在于检测速度较快。

利用深度学习检测不……