缺陷检测在不同的领域有不同的分类方法。以下是几种常见的缺陷检测类型：
基于深度学习的缺陷检测：
分类网络：利用卷积神经网络（CNN）的强大特征提取能力，对表面缺陷进行分类。常用网络结构包括AlexNet，VGG，GoogLeNet，ResNet，DenseNet，SENet，ShuteNet，MobileNet等。
检测网络：专注于缺陷的定位，不仅需要获取缺陷的类别，还需要标注出缺陷的位置。
分割网络：将缺陷逐像素从背景中分割出来，实现更精确的缺陷识别。
传统图像处理方法：
这些方法通常依赖于人工设定的特征提取算法，适用于特定类型的缺陷检测。
语义分割方法：
利用深度学习模型（如PSPNet）进行缺陷检测，通过训练神经网络自主学习提取缺陷特征，避免复杂的特征提取算法编程工作。
设备缺陷等级
设备缺陷等级通常分为以下几类：
轻微缺陷：
对产品外观和下道工序可能会有轻微影响的缺陷。
严重缺陷：
可以引起易于纠正的异常情况、可能引起易于修复的故障或对产品外观造成难以接受的缺陷。
致命缺陷：
会造成安全问题的各类缺陷。
需要注意的是，这些分类并不是绝对的，具体的分类标准可能会根据不同的行业和应用场景有所不同。
