因为数字图像处理技术起步较早，较为成熟，在制造业中，应用传统视觉进行硅碳棒瑕疵检测的成功案例较多，如光伏行业、电子行业、汽车等行业的外观检测、工件的尺寸测量，人脸识别，医学影像等领域间。下面对本文有重要参考依据的相关文献进行综述。针对硅片的硅碳棒瑕疵检测所采用方案多为传统视觉检测方案，在数据获取端采用近红外光源与工业相机来获取硅片图像数据，对图像进行锐化、平滑等方法进行图像预处理，采用异性扩散算子进行边缘提取，根据区域生长算法将隐裂硅碳棒瑕疵进行背景分离。根据硅片硅碳棒瑕疵特征及分类与检测大小的任务需求，提出了改进的Otsu算法作为特征提取算子，之后应用SVM分类器进行硅碳棒瑕疵分类实现硅片的硅碳棒瑕疵检测。基于数字图像处理技术设计了LCD硅碳棒瑕疵检测系统，在图像预处理阶段提取出待检测区域，通过人工设计三种硅碳棒瑕疵检测方法，对LCD边缘进行检测，后再通过投票机制对所检测结果进行确定，检测率高达100/0。基于数字图像处理技术对烟支硅碳棒瑕疵进行检测，通过手动阀值法对图像进行分割，该方法工作量大.针对单目标图像采用开操作并结合边缘检测算子进行后处理。通过改进的Sobel检测算子对玻璃瓶硅碳棒瑕疵进行检测，并结合控制系统将硅碳棒瑕疵瓶盖进行剔除。

       综合以上所述，可以看出对于基于数字图像处理的硅碳棒瑕疵检测任务，具有如下特点:(1)检测任务背景图像更为简单，针对复杂环境下硅碳棒瑕疵检测任务难度较大;(2)人工设计硅碳棒瑕疵特征提取算子，工作量较大，且检测过程中存在鲁棒性差的问题:(3)被检测硅碳棒瑕疵具有共同的特征或特征较为接近。最后，结合单晶硅碳棒硅碳棒瑕疵检测系统实际检测环境，针对硅碳棒表面硅碳棒瑕疵检测任务环境较为复杂，硅碳棒瑕疵种类众多的实际情况，不适用采用数字图像处理方法进行检测。

       深度学习是机器学习的一个分支，其基于多层神经网络模型，可以从大量数据中学习特征和模式，后在未知数上进行预测或分类.随着深度学习技术的不断更新发展，神经网络模型在图像处理领域也被广泛的应用，也进一步被应用于工业实际生产活动之中，为社会创造价值。基于深度学习的缺陷检测方法可以降低传统人工质检的成本，提升检测的准确性与效率，在智能制造领域中也逐渐开始扮演重要角色，并逐渐成为计算机视觉领域新兴的研究热点之一，基于深度学习的硅碳棒瑕疵检测方法被广泛地应用于无人质检、智能巡检、质量控制等各种生产与运维场景中对于深度学习的处理任务流程图如图1-5所示，特征在于只需要收集所需数据集，之后利用卷积神经网络对数据特征进行提取，最后实现输入未知图片并进行预测结果.在该过程中不再需。

       硅碳棒瑕疵检测可归类于目标检测的类别之中，所以对于硅碳棒瑕疵检测任务可理解为目标检测任务。目前，针对目标检测的相关研究广而深入，在部分检测任务上己超越传统的视觉检测技术，取得了较大的研究成果，方法也多种多样。现阶段对于目标检测的深度学习框架可分为单阶段目标检测和两阶段目标检测，下面将针对单阶段与两阶段目标检测进行分类综述:

       单阶段的目标检测方法，常见的算法有SSDhzI和YOL0h3I系列算法，具有检测速度快，模型小的优点，多用于实时性的检测场景。YOLO是一种将物体检测概括为回归问题的检测算法，由于采用了端到端的训练和检测方法，保证了良好的速度与精度，近几年被成功地应用到众多领域。

       网络框架对瓷砖表面硅碳棒瑕疵进行检测，通过添加SE, CA等四种注意力机制，最终模型识别的平均准确率为70.98%，最后并对模型进行了轻量化处理。针对检现阶段布匹硅碳棒瑕疵测精度低、速度慢等问题提出了改进的SSD算法，平均检测精度可达到。提出了基于yolov5s模型改进的VAG-yolo方法，用于检测真空计价器表面的硅碳棒瑕疵，同时在yolov5s模型中加入了多尺度自适应融合结构(MAF)，最终该模型检测精度可以达到83.4%。提出了一种改进的YOLOv3网络用于机织印花布硅碳棒瑕疵的实时疵检测方法，准确率为92.02%，单张图片检测耗时23ms。运用yolov5s网络对咖啡豆硅碳棒瑕疵进行检测，通过添加注意力机制等方法，最终检测准确率可以达到99.5%。赵小华Iml通过改进的〔ienseNet-SSD模型实现了布匹硅碳棒瑕疵的检测与分类，模型平均检测精度为93.54%。将YOLOv4网络应用于陶瓷基板的硅碳棒瑕疵检测，最终检测精度可高达98.3%。单阶段目标检测算法检测具有检测时间短的优点，在部分硅碳棒瑕疵检测任务中，单阶段硅碳棒瑕疵检测算法也有着很好的表现。提出了一种基于yolo-v3的手机外壳硅碳棒瑕疵检测算法，最终检测精度可以达到86.14%。同时通过对比试验，验证了对图像进行旋转等数据增强手段可以提高模型检测精度。5页，http://www.zbqunqiang.cn/