1.功能
表面缺陷检测在工业生产中起着非常重要的作用。基于机器视觉的表面缺陷检测可以大大提高工业生产的效率。近年来，随着深度学习在计算机视觉领域的发展，卷积神经网络在许多图像任务中取得了显著的效果。然而，这些方法通常需要对大量标记数据进行监督学习。在实际的工业场景中，往往很难收集到有缺陷的样本，贴标签的成本也非常巨大。
2.机器视觉中存在的问题
视觉可以代替人眼进行探测，但在实际应用中仍面临诸多挑战。尤其是近年来，传统的图像算法解决方案都是根据经验手工设计，算法存在精度低、鲁棒性差的问题，尤其是在光照、变形、扭曲、遮挡等复杂场景下。如今，深度学习在特征提取方面表现优异，在分类、目标检测、图像分割等多项监督任务中取得了高质量的性能。
同时，近年来出现了许多基于卷积神经网络的缺陷检测方案，最常见的是直接使用目标检测网络，如快速RCNN或SSD，对缺陷进行定位和分类。还有一些方法是先用目标检测进行粗略定位，再用FCN进行语义分割，获得精确定位。这种方法可以得到准确的缺陷轮廓，但这些方法属于监督学习。在实际工业应用中，存在以下问题：
缺乏有缺陷的样本：在实际应用中，用于训练的有缺陷的样本往往非常稀少且难以获得。因此，在训练过程中，正样本和负样本非常不平衡，极大地限制了模型的性能，甚至使模型完全无法使用。在缺陷外观变化的场景中，监督学习的方法往往不能满足正常的生产需要。
人工标记的成本非常高：在实际的工业缺陷检测场景中，通常会有很多不同类型的缺陷，检测标准和质量指标往往也不一样。这就需要人类标注大量的训练数据来满足特定需求，这就需要大量的人力资源。
因此，目前学者们不断提出基于正样本训练的缺陷检测方法。在训练过程中，只需要提供足够的阳性样本，不需要缺陷数据和人工标注。还能达到良好的缺陷检测效果，具有较高的应用价值。