Использование ИСУ

Том 12 научных отчетов, номер статьи: 11604 (2022) Цитировать эту статью

Доступы 1991 г.

2 цитаты

Подробности о метриках

Обнаружение поверхностных дефектов — жизненно важный процесс в промышленном производстве и важное направление исследований в области компьютерного зрения. Хотя современные методы обнаружения дефектов глубокого обучения, основанные на компьютерном зрении, могут обеспечить высокую точность обнаружения, они в основном основаны на контролируемом обучении. Для обучения модели требуется множество образцов дефектов, что несовместимо с нынешней ситуацией, когда образцы промышленных дефектов трудно получить, а их маркировка обходится дорого. Поэтому мы предлагаем новую модель обнаружения дефектов на малых выборках без присмотра — ISU-GAN, основанную на архитектуре CycleGAN. К генератору добавлены пропускное соединение, модуль SE и модуль Involution, что позволяет значительно улучшить возможности извлечения признаков модели. Кроме того, мы предлагаем метод сегментации дефектов на основе SSIM, который применяется к обнаружению дефектов на основе GAN и может точно извлекать контуры дефектов без необходимости последующей обработки с избыточным шумоподавлением. Эксперименты с набором данных DAGM2007 показывают, что неконтролируемая модель ISU-GAN может достичь более высокой точности обнаружения и более точных профилей дефектов с менее чем 1/3 немаркированных обучающих данных, чем контролируемая модель с полным обучающим набором. По сравнению с моделями контролируемой сегментации UNet и ResUNet++ с большим количеством обучающих выборок наша модель повышает точность обнаружения на 2,84% и 0,41% соответственно, а показатель F1 — на 0,025 и 0,0012 соответственно. Кроме того, прогнозируемый профиль, полученный с помощью нашего метода, ближе к реальному профилю, чем другие модели, использованные для сравнения.

Продукты могут иметь поверхностные дефекты в реальном промышленном производственном процессе из-за ошибок оборудования, ошибок рабочих и проблем производственного процесса. Дефекты поверхности не только влияют на внешний вид и производительность продукта, что приводит к снижению удовлетворенности пользователя, но также могут представлять угрозу безопасности, создавая угрозу жизни и имуществу пользователя. Следовательно, обнаружение поверхностных дефектов является важной частью промышленного производства.

В течение долгого времени процесс дефектации промышленных поверхностей основывался на ручной работе, которая не только трудоемка и трудоемка, но и очень субъективна, что не может удовлетворить потребности промышленного производства с высокой эффективностью и точностью. Поэтому технология автоматического обнаружения дефектов на основе компьютерного зрения стала более популярным направлением исследований. В настоящее время методы автоматического обнаружения дефектов на основе машинного зрения в основном включают традиционные методы и методы глубокого обучения.

Традиционные методы для обнаружения дефектов полагаются на структурную информацию изображения. Обычно требуются человеческие усилия для разработки соответствующего алгоритма обнаружения на основе характеристик дефекта и реального сценария применения. Современные традиционные методы обнаружения дефектов, основанные на машинном зрении, в основном включают фильтрацию Габора1, улучшенный алгоритм локального бинарного шаблона (MB-LBP)2, улучшенный алгоритм Собеля3 и т. д. Большинство традиционных методов машинного зрения в значительной степени полагаются на конкретные характеристики дефектов, и их трудно достичь в комплексе. -обнаружение конца. Временные и экономические затраты на разработку различных алгоритмов контроля различных дефектов вручную очень высоки и требуют привлечения большого количества людей с большим опытом, что затрудняет соответствие требованиям эффективности и стоимости промышленного производства. Кроме того, на практике алгоритмы обнаружения, основанные на характеристиках дефектов, видимых человеческим глазом, чувствительны к помехам, вызванным изменениями внешней среды, что затрудняет достижение удовлетворительной надежности.

С появлением глубокого обучения различные алгоритмы, основанные на сверточных нейронных сетях (CNN), достигли удивительных результатов во многих областях машинного зрения. По сравнению с традиционными методами обнаружения дефектов методы глубокого обучения в основном устраняют необходимость ручного моделирования функций дефектов и обеспечивают сквозное обнаружение. Они также обладают такими преимуществами, как высокая точность обнаружения, быстрая сходимость и надежность.