GB/T 45575-2025 工业产品表面缺陷自动检测系统技术要求

　　ICS 35.240.50 CCS J 07

　　中 华 人 民 共 和 国 国 家 标 准

　　GB/T 45575—2025

　　工业产品表面缺陷自动检测系统技术要求

　　Technicalrequirementsofautomaticinspection system for

　　surfacedefectofindustrialproduct

　　2025-04-25发布 2025-11-01实施

　　国家市场监督管理总局国家标准化管理委员会

　　

　　发

　　

　　布

　　GB/T 45575—2025

　　前 言

　　本文件按照 GB/T 1. 1—2020《标准化工作导则 第 1部分 :标准化文件的结构和起草规则》的规定起草 。

　　请注意本文件的某些内容可能涉及专利 。本文件的发布机构不承担识别专利的责任 。

　　本文件由中国机械工业联合会提出 。

　　本文件由全国 自动化系统与集成标准化技术委员会(SAC/TC159)归 口 。

　　本文件起草单位 :清华大学深圳国际研究生院 、浪潮云洲工业互联网有限公司 、福州大学 、恒际通 (广东)科技有限公司 、深圳市华汉伟业科技有限公司 、北京机械工业自动化研究所有限公司 、清华大学 、内蒙古国家乳业技术创新中心有限责任公司 、中国科学院微电子研究所 、内蒙古伊利实业集团股份有限公司 、武汉恒力华振科技有限公司 、北京红蜂机器人有限责任公司 、中国航发贵州黎阳航空动力有限公司 、国器智眸(重庆)科技有限公司 、青岛海之晨工业装备有限公司 、北京哈工汇宇科技有限公司 、广州市易鸿智能装备股份有限公司 、深圳中科精工科技有限公司 、东莞康视达自动化科技有限公司 、珠海广浩捷科技股份有限公司 、浙江华睿科技股份有限公司 、杭州腾励传动科技股份有限公司 、浙江屹纬精密技术有限公司 、浙江双元科技股份有限公司 、冠佳技术股份有限公司 、苏州辰瓴光学有限公司 、深圳市卓茂科技有限公司 。

　　本文件主要起草人 :黄必清 、武红强 、郑相涵 、王海丹 、孙煜 、杨洋 、李秀 、何剑 、钟家新 、吕志勇 、刘涛 、朱鹏 、杨余久 、汪祥 、闫泽 、王颖 、殷昊男 、陆冰钰 、李亮 、郝睿阳 、郝超凡 、吴绍莉 、翟爱亭 、魏骎骎 、聂子临 、郭栋 、黄麟 、陈 栋 、徐 松 岩 、王 刚 、王 华 茂 、邓 俊 广 、胡 润 民 、张 博 、沈 海 、沈 铤 、钟 洪 萍 、谢 亮 华 、夏 玉 龙 、闻权 。

　　Ⅰ

　　GB/T 45575—2025

　　工业产品表面缺陷自动检测系统技术要求

　　1 范围

　　本文件规定了工业产品表面缺陷自动检测系统的架构与组成 、系统功能要求 、自动检测核心技术 、检测流程以及部署与集成技术要求 。

　　本文件适用于基于深度神经网络技术的工业产品表面缺陷自动检测系统构建与应用 。

　　2 规范性引用文件

　　本文件没有规范性引用文件 。

　　3 术语和定义

　　下列术语和定义适用于本文件 。

　　3. 1

　　表面缺陷 surface imperfection

　　在加工 、存储或使用期间 ,非故意或偶然生成的实际表面的单元体 、成组的单元体 、不规则体 。

　　[来源 :GB/T 40810. 1—2021,3. 12] 3.2

　　机器学习 machinelearning

　　功能单元通过获取新知识或技能 ,或通过整理已有的知识或技能来改进性能的过程 。

　　[来源 :GB/T 5271. 31—2006,2. 31. 01. 02] 3.3

　　神经网络 neuralnetwork

　　由加权路径且权值可调整连接的基本处理元素的网络 ,通过把非线性函数作用到其输入值上使每个单元产生一个值 ,并把它传送给其他单元或把它表示成输出值 。

　　[来源 :GB/T 5271. 34—2006,34. 01. 06]

　　4 缩略语

　　下列缩略语适用于本文件 。

　　CCD: 电荷耦合器件(Charge-coupled Device)

　　CMOS:互补金属氧化物半导体(Complementary Metal Oxide Semiconductor)

　　MES:制造执行系统(Manufacturing Execution System)

　　5 工业产品表面自动检测系统架构与工作流程

　　5. 1 系统架构

　　工业产品表面缺陷 自动检测系统架构如图 1所示 。

　　1

　　GB/T 45575—2025

　　注 : 实线框和箭头表示检测系统所含模块 ,虚线框和箭头表示外部系统/模块以及与检测系统的交互关系 。

　　图 1 工业产品表面缺陷自动检测系统架构

　　工业产品表面缺陷 自动检测系统包含以下模块 :

　　— 数据采集模块 :利用机械装置 、成像硬件和成像软件实现对缺陷检测系统所需数据的采集 ;

　　— 数据管理模块 :对数据采集模块输出的数据以及检测模块输出的数据进行存储管理 ,还包括数据标注模块 ,按照检测需求对数据进行标注 ;

　　— 缺陷检测模块 :基于采集得到的数据 ,进行数据预处理 ,并基于检测算法和模型进行表面缺陷检测 ,输出检出缺陷结果 ,核心为检测模型 ;

　　— 缺陷评估模块 :基于不同领域的产品质量评估标准及参数(如缺陷的长宽高 、形态等) ,对所检出的缺陷进行评估分析 ,并将结果送达 MES;

　　— 交互显示模块 :对检测流程中关键环节和结果进行可视化 ,实现人机交互显示 ,包括数据管理 、缺陷检测 、缺陷评估等 。

　　5.2 工作流程

　　5.2. 1 概述

　　工业产品表面缺陷自动检测系统分为离线准备阶段 、在线检测阶段和报告处理阶段 。离线准备阶段和在线检测阶段的具体工作流程如图 2 和图 3所示 。

　　离线阶段是检测系统上线之前系统构建的流程 ,在线阶段则是系统上线后的具体工作过程 。

　　5.2.2 离线准备阶段

　　离线准备阶段是在线检测前进行数据准备 、模型训练与系统测试 ,如图 2所示 ,主要包括以下环节 。

　　— 数据准备 :在既定检查方案指导下 ,收集成像系统历史数据 ,若无法满足算法需求 ,应补充采集相关数据 。根据算法需 求 和 算 力 条 件 , 构 建 合 适 的 训 练 集 、验 证 集 和 测 试 集 , 补 充 完 善 标 注信息 。

　　— 模型训练 :利用构建的数据集对模型进行训练和测试 ,直到测试指标达到检测要求 。若无法达到要求 ,应更新检测方案 ,或者更新数据集或者重新设计训练模型 。

　　— 系统测试 :在线检测前 ,应联合测试成像系统 、检测系统和相关配套系统 。

　　2

　　GB/T 45575—2025

　　图 2 工业产品表面缺陷自动检测离线准备阶段

　　5.2.3 在线检测阶段

　　该阶段是工业表面缺陷自动检测系统在生产线正式部署后的运行流程 ,具体工作流程如图 3所示 。

　　图 3 工业产品表面缺陷自动检测在线检测阶段

　　待检产品通过产线或者其他传送方式进入检测系统 ,利用数据采集模块采集得到缺陷检测相关数据 ,数据传输进入数据管理模块 。缺陷检测系统利用数据接口调用采集数据 ,进行缺陷检测 ,检测结果

　　3

　　GB/T 45575—2025

　　应分为以下两种 :

　　— 待检产品无表面缺陷 :产品正常通过检测系统 ,系统自动开始下一批次检测工作 ;

　　— 待检 产 品 有 表 面 缺 陷 : 将 缺 陷 检 测 结 果 输 出 到 数 据 管 理 模 块 和 可 视 化 模 块 , 对 缺 陷 进 行 评估 ,反馈到产线控制系统 ,根据严重程度做出相应的操作 , 比如产线分流 、人工复检等 。

　　5.2.4 报告处理阶段

　　该阶段是根据检测结果和评估结果 ,输出一定周期内的表面缺陷检测报告 ,允许人工介入 ,包括 : 自动生成检测报告 、人工审核检测报告 。

　　6 工业产品表面缺陷自动检测系统功能要求

　　6. 1 数据采集

　　数据采集模块的主要功能是 :面向工业产品表面 ,通过选择光源 、调整视场 、设计光路 ,辅以处理算法和三维成像方法 ,能够捕获产品表面的细微缺陷 ,得到高帧率高分辨率的图像 , 凸显重要特征 ,抑制无关干扰 。数据采集模块应包括下列功能 。

　　— 照明光源 :通过调整光源布局 、选择照明谱段 ,显现产品表面重要特征 ,抑制无关干扰 。

　　— 系统视场 :通过调整相机的位置和角度 ,使视场完全覆盖待检产品 。

　　— 光路设计 :通过选择正光背光明场暗场 、调整物距目距 ,设计光路以得到清晰图像 。

　　— 产品表面计算成像算法 :通过去模糊算法 、重建算法 ,实现高帧率高分辨率成像 。

　　— 复杂结构产品三维成像 :通过调整位姿 、采用深度传感器 ,采集三维数据 。

　　— 数据采集模块应根据实际需求进行视场 、相机 、光源以及成像光路设计 ,数据形式包含图像 、视频 、点云数据等 ,应根据实际要求采集单种或者多种数据 。

　　6.2 数据管理

　　数据管理模块的主要功能是 :获取成像系统采集的数据 ,按照算法需求进行标注 ,设计数据和标注读取接 口 。数据管理模块应包括以下功能 。

　　— 数据传输 :设计适配成像系统的传输接 口 , 以实时获取最新成像数据 。

　　— 数据标注 :可分为人工标注与自动标注两种方式 ,标注数据主要用于模型训练 、评估和测试 ,根据算法需求标注可分为边框标注 、语义分割 、点云标注和属性判别等 。

　　— 数据存储 :应根据数据规模选择合适的存储方式 ,包括云端存储与本地存储等方式 。从模型更新角度 ,数据分为离线历史数据和在线数据 ,离线历史数据分为训练集 、测试集 ,一般包含标注 ,在线数据为实时检测数据以及检测结果数据 。

　　— 数据读写 :应支持离线历史数据和在线训练数据的读写 ,其读写速度应保证实时的检测推理 。

　　6.3 缺陷检测

　　缺陷检测模块的主要功能是 :基于数据采集系统采集到的图像/点云数据 ,利用检测模型对缺陷进行检测 ,输出缺陷的位置 、类别 、尺寸信息 。检测系统应包括以下功能 。

　　— 数据预处理 :对数据采集系统输出的图像或点云数据进行预处理 。

　　— 缺陷特征提取 :从预处理后的图像或点云数据中提取工业产品表面缺陷的典型特征 。

　　— 缺陷定位 :基于提取到的缺陷特征实现缺陷的定位与尺寸计算 。

　　— 缺陷分类 :基于提取到的缺陷特征实现缺陷的分类 。

　　4

　　GB/T 45575—2025

　　6.4 缺陷评估

　　评估系统的主要功能是 :基于检测到的缺陷位置与类别信息 ,对缺陷进行分级评估 ,并对一段生产时期内的缺陷信息进行统计分析 ,输出缺陷分级结果以及阶段性缺陷数据分析结果 。评估系统应包括以下功能 。

　　— 缺陷分级评估 :将检出的缺陷位置 、类别 、尺寸信息按照相应的产品缺陷分级规则进行分级 。

　　— 缺陷信息统计分析 :对一段生产时期内的缺陷信息进行统计分析 ,输出缺陷出现频率 、缺陷尺度均值 、缺陷出现位置的比例等信息 ,形成相应信息的报表 。

　　6.5 交互显示

　　交互显示模块的主要功能是以产品的平面表面或者三维表面的仿真展示为基础 ,应实现以下可视化功能 。

　　— 采集数据的展示 :将采集到的原始图像数据以及通过加工后的成像数据进行展示 。

　　— 缺陷识别数据的展示 :将通过缺陷检测算法检测到的缺陷的定位和分类信息进行展示 。

　　— 缺陷评估数据的展示 :依据评估标准 ,将通过缺陷评估算法得到的评估结果进行展示 。

　　— 生产线运行指令的展示 :依据评估结果 ,查看正品 、劣质品的分类控制情况 。

　　— 生产线缺陷情况的统计展示 :查询按照时间 、缺陷类别等维度的产线缺陷统计情况 。

　　7 工业产品表面缺陷自动检测系统关键技术分类

　　工业产品表面缺陷自动检测系统的关键技术包括成像技术 、检测技术 、缺陷评估技术三个类别 ,各类技术的关键组成技术及其具体方法如表 1所示 ,各类技术参见附录 A。

　　表 1 技术分类

　　技术分类

　　关键组成技术

　　技术方法

　　成像技术

　　二维成像技术

　　包括 :CCD成像 、CMOS成像 、线阵相机成像 、面阵相机成像 、激光红外热成像等

　　三维成像技术

　　包括 :立体视觉成像 、激光雷达成像 、结构光成像等

　　检测技术

　　数据预处理技术

　　包括 :数值归一化方法 、图像增强 方 法 、图 像 变 换 方 法 、点 云 变 换 方 法 、点云体素化方法等

　　缺陷特征提取技术

　　包括 :传统图像特征提取方法 、神经 网 络 图 像 特 征 提 取 方 法 、传 统 点 云特征提取方法 、神经网络点云特征提取方法等

　　缺陷定位技术

　　包括 :缺陷分割方法 、位置边框回归方法等

　　缺陷分类技术

　　包括 :传统机器学习缺陷分类方法 、神经网络缺陷分类方法等

　　缺陷评估技术

　　缺陷分级体系构建技术

　　依据行业产品缺陷评估标准 ,建立评估体系

　　缺陷信息统计分析技术

　　依据缺陷检测结果和分级信息进行统计分析

　　5

　　GB/T 45575—2025

　　8 工业产品表面缺陷自动检测系统的其他相关要求

　　8. 1 系统部署要求

　　8. 1. 1 部署方案制定

　　根据现场条件制定合适的部署方案 ,应包括本地/云端部署方案 、软件/硬件部署方案 。

　　8. 1.2 硬件部署通用要求

　　工业产品表面缺陷自动检测系统包含的硬件推荐如表 2 所示 ,部署时应根据算法要求 、产线环境 、预算要求等选择合适参数的硬件 ,并对关键硬件进行性能测试 。

　　表 2 核心硬件分类

　　所属模块

　　硬件名称

　　作用

　　关键参数

　　成像模块

　　光源

　　提供光线

　　点光源 、面 光 源 、线 光 源 、环 形 光 源 等 , 形 状 、效 率 、功率 、色表等

　　光场/光路

　　确定成像方法和成像

　　视场角 、工作距离 、明暗场等

　　电源

　　为光源和相机供电

　　功率 、交直流 、电压

　　相机

　　成像

　　分辨率 、帧率 、视野 、光谱等

　　机械装置

　　与产线衔接支撑成像系统

　　—

　　数据管理

　　硬盘

　　数据存储

　　空间 、读写速度等

　　检测模块

　　计算机/工控机

　　支撑检测模块部署运行

　　空间 、CPU版本 、配件等

　　GPU

　　支撑检测算法运行

　　显存 、工频 、算力等

　　交互系统

　　计算机/工控机

　　支撑交互系统部署运行

　　空间 、CPU版本 、配件等

　　8. 1.3 软件部署通用要求

　　工业产品表面缺陷自动检测系统包含的软件推荐如表 3 所示 ,部署时应对关键部分模块进行性能测试 ,验证软件的功能 、效率 、可靠性等指标 。

　　表 3 核心软件分类

　　所属模块

　　软件名称

　　作用

　　关键参数

　　成像模块

　　成像算法

　　用于计算成像

　　功能 、效率等

　　图像处理

　　常见图像处理 ,包括对焦 、降噪等 ,

　　一般相机内置

　　功能 、效率等

　　数据管理

　　数据库

　　存储采集图像 、标注和检测结果等数据

　　规模 、读写速度等

　　检测模块

　　检测算法

　　检测待测图像 ,输出检测结果

　　功能 、效率 、对应算法评价指标等

　　交互系统

　　交互软件

　　检测评估结果可视化

　　功能 、主要评测指标等

　　6

　　GB/T 45575—2025

　　8.2 系统集成要求

　　工业产品表面缺陷自动检测系统应直接或间接与其他现场设备 、控制系统 、车间管理系统进行通信 ,应适配两种以上的工业以太网接 口 ,所有数据格式和接口方式应符合国家或者行业接口标准要求 。

　　8.3 系统性能要求

　　工业产品表面缺陷自动检测系统在性能评估时需要考虑的主要因素如表 4所示 。针对实际的工业产品表面缺陷自动检测需求 ,系统性能应达到相应的性能评估标准后 ,系统方可实施运行 。

　　表 4 系统性能要求项

　　性能要求项

　　性能要求项对系统运行的支持意义

　　性能评估可选参数

　　运行效率

　　成像 、数 据 传 输 读 取 、缺 陷 检 测 等 各 模 块 的 运 行 效 率 需 要 满 足 实 际工业场景需求 ,部分工业场景可能有检测的实时性需求

　　成像帧率 , 单 位 时 间内 系 统 能够检测的面积 、体积等

　　成像质量

　　成像质量是检测算法正常运行的基础 , 良好的成像质量 才 能 够 保 证缺陷被检测算法正常检出

　　图像 分 辨 率 、图 像 信 噪 比 、图像对比度 、像差 、成像距离等

　　检测性能

　　缺陷检测是实现缺陷检出与分类的核心模块 ,高质量的 检 测 能 够 实现缺陷的定位与类别识别

　　缺陷 检 出 率 、缺 陷 识 别 准 确率 、缺陷识别召回率 、检出缺陷 与 真 实 缺 陷 的 面 积 交 并比等

　　环境适应性

　　系统 成 像 、数 据 传 输 、缺 陷 检 测 等 各 模 块 对 环 境 适 应 的 条 件 下 才 能正常运行 ,部分 工 业 场 景 的 环 境 会 对 检 测 系 统 的 适 应 性 提 出 较 高要求

　　湿度 、温 度 、振 动 、冲 击 、电 磁干扰等环境适应参数

　　系统兼容性

　　系统 的 交 互 模 块 直 接 或 间 接 与 其 他 现 场 设 备 、控 制 系 统 、车 间 管 理系统进行通信 ,需要在接口 、网络等的设置上与其他系统兼容

　　接口兼容性 、网络兼容性等

　　7

　　GB/T 45575—2025

　　附 录 A

　　(资料性)

　　工业产品表面缺陷自动检测系统各类关键技术

　　A. 1 成像技术

　　A. 1. 1 二维成像技术

　　A. 1. 1. 1 CCD成像技术

　　CCD成像技术 ,将景物的投射或者反射光线投射在 CCD上成像 ,并通过统一收集在 CCD 曝光激发电荷产生的电信号 ,保障成像质量及其一致性 。

　　A. 1. 1.2 CMOS成像技术

　　CMOS成像技术使用有 源 像 素 传 感 器 , 每 个 像 素 点 都 有 一 组 有 源 电 路 , 无 需 复 杂 的 电 荷 耦 合 结构 ,相比 CCD成像具有低成本的优势 。推荐在满足成本和速度的要求下使用 。

　　A. 1. 1.3 线阵相机技术

　　对于匀速运动的被检测物体 ,推荐使用线阵相机技术 ,利用线状的感光元件 ,通过逐行扫描进行均匀检测 ,实现高频率和高分辨率成像 。

　　A. 1. 1.4 面阵相机技术

　　面阵相机应实现像素矩阵拍摄 ,能够在短时间内曝光 、一次性获取完整直观的测量图像 。

　　A. 1. 1.5 激光红外热成像技术

　　具有能量密度高及可对微小区域输入高强度能量的特有优势 , 可以远距离检测材料的微小缺陷 。为得到高质量图像应合理设计光源 , 比如对于玻璃缺陷检测任务 ,可以使用反射光源 、直透光源进行成像 ,组合实现玻璃缺陷检测 。

　　A. 1.2 三维成像技术

　　A. 1.2. 1 立体视觉成像技术

　　通过使用两台相隔一定距离的相机同时获取目标图像 ,找到空间点在两幅图像上的对应像素 ,能够利用共轭的像素视差获取目标物的深度信息 ,恢复目标的三维几何信息 。

　　A. 1.2.2 激光雷达成像技术

　　激光雷达通过发射系统发射激光束 ,在通过空间传播和目标反射 、散射 、吸收等作用后 ,利用激光探测器感应接受激光的回拨信号 ,通过回波能量的分析 ,实现三维成像 。

　　A. 1.2.3 结构光成像技术

　　利用摄像机对被测物体表面投射结构光 ,通过捕捉扭曲变形的投影图案 ,利用三角测量法计算物体表面形状 。可以选择不同编码类型的结构光 ,如时空编码 、彩色编码 、条纹编码 、网格编码等 。

　　8

　　GB/T 45575—2025

　　A.2 检测技术

　　A.2. 1 数据预处理技术

　　A.2. 1. 1 数值归一化方法

　　用来实现数据分布的规范化 。具体实现方式包括最大最小规范化 、零均值规范化等 。

　　A.2. 1.2 图像增强方法

　　用来增强图像数据的对比度或者锐度等 。具体实现方式包括直方图均衡化 、拉普拉斯算子 、对数变换以及伽马变换等 。

　　A.2. 1.3 图像变换方法

　　用来增强图像数据分布的多样性 ,多用于检测模型训练中 。具体方式包括图像旋转 、平移 、镜像 、缩放等 。

　　A.2. 1.4 点云变换方法

　　用来增强点云数据分布的多样性 ,多用于检测模型训练中 。具体方式包括坐标系以及物体局部的旋转 、平移 、镜像 、缩放 , 以及点云重排等 。

　　A.2. 1.5 点云体素化方法

　　用来在网格空间中形成表面特征的分布 。具体方式主要以插值方法为主 。

　　A.2.2 缺陷特征提取技术

　　A.2.2. 1 传统图像特征提取方法

　　用来提取显式的直观的工业产品表面缺陷图像特征 。具体的特征提取方法包括尺度不变特征 、局部二值模式特征 、哈尔特征 、方向梯度直方图特征等 。

　　A.2.2.2 神经网络图像特征提取方法

　　用来提取复杂的不易提取的工业产品表面缺陷图像特征 。具体的网络结构包括二维卷积神经网络 、注意力机制网络 、多层感知器网络 、循环神经网络 、长短时记忆网络等 ,这些网络结构具体通过二维的卷积层 、池化层 、全连接层 、归一化层 、激活函数等实现 。神经网络参数通过后级定位/分类任务的损失反向传播进行学习 。

　　A.2.2.3 传统点云特征提取方法

　　用来提取显式的直观的工业产品表面缺陷点云特征 。具体的特征提取方法包括点特征直方图特征 、视点特征直方图特征 、三维不变矩特征 、旋转投影特征 、归一化对齐镜像特征等 。

　　A.2.2.4 神经网络点云特征提取方法

　　用来提取复杂的不易提取的工业产品表面缺陷点云特征 。具体的网络结构包括三维卷积神经网络 、注意力机制网络 、多层感知器网络等 。这些网络结构可以通过三维的卷积层 、池化层 、全连接层 、归一化层 、激活函数等实现 。神经网络参数通过后级定位/分类任务的损失反向传播进行学习 。

　　9

　　GB/T 45575—2025

　　A.2.3 缺陷定位技术

　　A.2.3. 1 缺陷分割方法

　　用来实现缺陷的像素级/体素级/点云级分类 ,进一步可以计算得到缺陷位置以及缺陷尺寸 。具体的缺陷分割方法包括阈值分割 、卷积神经网络 、多层感知器等 。其中 , 阈值分割方法包括直方图阈值分割 、大津阈值分割 、最大熵阈值分割 、自适应阈值分割等 。卷积神经网络与多层感知器具体通过卷积层 、池化层 、全连接层 、归一化层 、激活函数等实现 ,这些结构通过像素级/体素级/点云级的分类损失反向传播进行学习 。缺陷分割方法要求具有像素级/体素级/点云级的标注数据 。

　　A.2.3.2 位置边框回归方法

　　用来对缺陷的位置以及边框进行回归 。具体的回归操作可通过多层感知器实现 。多层感知器结构可以通过全连接层 、归一化层 、激活函数等实现 。多层感知器结构参数通过定位任务的损失反向传播进行学习 ,该损失衡量预测和标注的边框参数之间的差异 。位置边框回归方法要求具有边框级别的标注数据 。

　　A.2.4 缺陷分类技术

　　A.2.4. 1 传统机器学习缺陷分类方法

　　具体包括支持向量机 、基于概率的分类器 、基于决策树的分类器 、基于相似度的分类器等 。

　　A.2.4.2 神经网络缺陷分类方法

　　主要通过多层感知器或深度学习架构实现分类器 ,如卷积神经网络(CNN) 。

　　注 : 值得注意的是 ,如果缺陷定位技术已经通过缺陷分割方法(如语义分割或实例分割) 成功区分了不同类型的缺陷 ,则不需要缺陷分类步骤 。

　　A.3 缺陷评估技术

　　A.3. 1 缺陷分级体系构建技术

　　基于缺陷的位置 、类别 、尺寸等信息对缺陷进行分级评估 ,具体缺陷的分级体系的制定可以通过层次分析法 、逼近理想解排序法等实现 。

　　A.3.2 缺陷信息统计分析技术

　　对缺陷的位置 、类别 、尺寸等信息进行数学统计分析 ,具体统计分析工具包括描述性统计 、相关性分析 、回归分析以及置信度分析等 。

　　10

　　GB/T 45575—2025

　　参 考 文 献

　　[1] GB/T 5271. 31—2006 信息技术 词汇 第 31部分 :人工智能 机器学习

　　[2] GB/T 5271. 34—2006 信息技术 词汇 第 34部分 :人工智能 神经网络

　　[3] GB/T 40659—2021 智能制造 机器视觉在线检测系统 通用要求

　　[4] GB/T 40810. 1—2021 产品几何技术规范(GPS) 生产过程在线测量 第 1部分 :几何特征(尺寸 、表面结构)的在线检测与验证

　　[5] 陶显 ,侯伟 ,徐 德 . 基 于 深 度 学 习 的 表 面 缺 陷 检 测 方 法 综 述[J] . 自 动 化 学 报 , 2021, 47(05) : 1017-1034.

　　[6] 苏虎 ,张 家 斌 , 张 博 豪 , 等 . 基 于 视 觉 感 知 的 表 面 缺 陷 检 测 综 述 [J] . 计 算 机 集 成 制 造 系 统 , 2023,29(01) :169-191.

　　[7] 李少波 ,杨静 ,王铮 ,等 . 缺陷检测技术的发展与应用研究综述[J] . 自动化学报 ,2020,46(11) : 2319-2336.

　　11