摘要

表面缺陷检测的主流方法是基于手工设计特征的算法。然而，当图像采集条件发生变化时，这类方法的性能往往显著下降。为此，本文旨在评估多种前沿卷积神经网络（Convolutional Neural Networks, CNNs）在表面缺陷检测任务中的表现。此外，本文提出了两种新方法：CNN-Fusion，该方法通过融合多个网络的预测结果生成最终判别结果；以及Auto-Classifier，这是一种创新性方法，通过引入AutoML技术对卷积神经网络的分类模块进行优化，从而提升模型性能。我们基于DAGM2007数据集中的多个数据子集开展了实验，以评估所提方法在表面缺陷检测任务中的有效性。实验结果表明，采用卷积神经网络的方法显著优于传统方法；尤其值得注意的是，Auto-Classifier在所有数据集上均实现了100%的准确率（Accuracy）和100%的AUC（Area Under the Curve）值，表现优于所有对比方法。