0
  • 聊天消息
  • 系统消息
  • 评论与回复
登录后你可以
  • 下载海量资料
  • 学习在线课程
  • 观看威廉希尔官方网站 视频
  • 写文章/发帖/加入社区
会员中心
创作中心

完善资料让更多小伙伴认识你,还能领取20积分哦,立即完善>

3天内不再提示

如何在缺陷样本少的情况下实现高精度的检测

QQ475400555 来源:机器视觉沙龙 2023-06-26 09:54 次阅读

缺陷检测是工业生产过程中的关键环节,其检测结果的好坏直接影响着产品的质量。而在现实场景中,但产品瑕疵率非常低,甚至是没有,缺陷样本的不充足使得需要深度学习缺陷检测模型准确率不高。如何在缺陷样本少的情况下实现高精度的检测呢?目前有两种方法,一种是小样本学习,另一种是用GAN。本文将介绍一种GAN用于无缺陷样本产品表面缺陷检测。

深度学习在计算机视觉主流领域已经应用的很成熟,但是在工业领域,比如产品表面缺陷检测,总感觉没有发挥深度学习的强大能力,近几年表面缺陷的 相关研究主要是集中在各种借鉴主流神经网络框架,从CNN到YOLO,SSD,甚至到语义分割的FCN相关论文,通过一些威廉希尔官方网站 ,对框架进行轻量化,对缺陷进行分类或检测。不过,逃不出一个问题:一定要有缺陷样本可供训练,而且数量不能太少!当然,也有一些课题组使用稀疏编码、字典学习、稀疏自编码等对表面缺陷进行检测,这类方法很有局限性,主要针对那些有周期性背景纹理的图像,比如丝织品,印刷品等。国内外很多课题组、工业软件公司都想开发出一些切合实际应用的算法软件,在缺陷检测领域,比较好的公司有:VIDI、Halcon等,听说海康威视也在搞工业产品方便的算法研究。 论文标题:A Surface Defect Detection Method Based on Positive Samples 论文链接:https://doi.org/10.1007/978-3-319-97310-4_54 作者提出只依据已有的正常表面图像样本,通过一定的威廉希尔官方网站 手段对缺陷样本进行检测,很好的将最近研究火热的GAN应用于框架中,这一年,课题组的老师也一直讨论这种方法的可行性,缺陷的检测要不要有缺陷样本,从稀疏自编码,小样本学习再到计算机视觉研究热点之一的零样本学习,得出结论:大多数工业产品表面缺陷检测是需要缺陷样本或者人为制作的缺陷样本,论文虽然是没有直接使用生产线上的缺陷样本,但是通过算法人为的产生了缺陷样本,并很好的融合和GAN在图像修复领域的强大能力,整个框架的设计很巧妙。 文章思路:论文的整体思路就是GAN在图像修复和重建方便具有很强大的能力,通过人为的去在正常样本上“随意”添加一些缺陷,训练阶段让GAN去学习一个可以修复这些缺陷区域的网络,检测阶段时,输入一个真实缺陷样本,训练好的GAN会对其进行修复,再基于LBP可完成缺陷检测。整个算法框架不需要真实的缺陷样本和手工标签,但是在框架中,人为的去产生(比如PS)一些缺陷区域。 通俗说: 作者利用GAN在图像修复(重建)上的能力,在工业现场收集一些正常(无缺陷)样本,人工PS一些缺陷,比如线条、斑点等。 训练时,将PS的人工制作的缺陷图像和原图像做输入样本训练GAN,得到一个具有图像修复重建能力的网络。 测试时,直接使用训练好的GAN对采集到的图像进行重建修复,如果样本中中有缺陷区域,缺陷区域按照网络设计,肯定需要修复,将修复后的图像和原缺陷图像使用LBP找出显著差异区域即为缺陷区域。

01

主要内容

论文的主体框架思想是基于GAN网络的结构。GAN 主要包括了两个部分,即生成器 G与判别器 D。生成器主要用来学习真实图像分布从而让自身生成的图像更加真实,以“骗过”判别器。判别器则需要对接收的图片进行真假判别。在整个过程中,生成器努力地让生成的图像更加真实,而判别器则努力地去识别出图像的真假,这个过程相当于一个博弈过程,随着时间的推移,生成器和判别器在不断地进行对抗,最终两个网络达到了一个动态均衡:生成器生成的图像接近于真实图像分布,而判别器识别不出真假图像,对于给定图像的预测为真的概率基本接近 0.5(这段话从李宏毅老师那引用的,致敬李老师)。

训练阶段

在训练阶段,模型采用一些图像处理威廉希尔官方网站 ,人为的在正常样本图像上产生一些缺陷(示意图中的红色框模块),使用由自编码器构成的G模块进行缺陷修复学习,学习的目标是与正常样本之间的L1范数最小,通过一定数量的样本训练可以获得有缺陷修复能力的G模块。GAN用于图像修复的一些资料可以参考[3][4],当然也可以参考论文里的参考文献。 786afc4e-13b5-11ee-962d-dac502259ad0.png 训练阶段  

测试阶段

在测试阶段,将上步骤训练好的G模块作为测试阶段的图片修复模块,对于输出的图像样本,假如存在缺陷区域,通过修复模块G将得到修复后的图像,与原缺陷样本图像一起作为LBP算法的输入,通过LBP算法对其缺陷区域进行精确定位。 7879d4ee-13b5-11ee-962d-dac502259ad0.png 测试阶段  

02

其他细节

2.1缺陷生成 在实际训练中,论文作者手工生成一些缺陷样本,如图3所示,训练网络自动修复缺陷。另外作者也通过一些威廉希尔官方网站 进行了样本的扩充,比如加入高斯噪声、随机resize大小等。 78874f5c-13b5-11ee-962d-dac502259ad0.jpg 缺陷生成   3.2缺陷图像重建 缺陷图像重建部分主要的作用是:缺陷图像重建后尽量和正常样本一样,作者在这部分在文献[5][6]基础上进行框架修改的,比如使用L1 distance作为衡量重建差异的目标函数。 789ae36e-13b5-11ee-962d-dac502259ad0.png   然后实验中作者又发现只使用L1不行,图像边缘等细节可能会衡量不准确,又加入GAN loss来提升网络的重建效果。   78aa74aa-13b5-11ee-962d-dac502259ad0.png   最后,得到了下面目标函数。   78bec20c-13b5-11ee-962d-dac502259ad0.png   2.3缺陷检测 因为使用GAN修复后的图片和原始缺陷样本图片之间在像素级的细节上有一些差异,作者使用了前几年在人脸领域应用比较好的LBP算法进行缺陷区域的检测,这里不介绍算法的细节,示意图如下。 78d0cede-13b5-11ee-962d-dac502259ad0.png

03

实验

文章对DAGM 2007数据集和织物密集图像进行了验证实验。实验表明,提出的GAN+LBP算法和有足够训练样本的监督训练算法具有较高的检测准确率。实验使用两种类型的数据集,4.1是印花纹表面,4.2是织物表面。

4.1Texture surface 78dfa0bc-13b5-11ee-962d-dac502259ad0.png 测试样本   78ed1896-13b5-11ee-962d-dac502259ad0.png 结果   78fc6012-13b5-11ee-962d-dac502259ad0.jpg a.原始图像,b.修复图像,c.论文方法,d. FCN方法,e.真实标签   3.2 Fabric Picture 实验中缺陷样本的类型有五种。实验样本按背景分有三类,每类包含5个缺陷样本,25个正常样本。 790d9f8a-13b5-11ee-962d-dac502259ad0.png 测试样本   791f3d12-13b5-11ee-962d-dac502259ad0.png 结果   792d9b00-13b5-11ee-962d-dac502259ad0.jpg a.原始图像,b.修复图像,c.论文方法,d. FCN方法,e.真实标签   本人水平有限,表述不清楚或错误的地方请指出,一起进步!  

声明:本文内容及配图由入驻作者撰写或者入驻合作网站授权转载。文章观点仅代表作者本人,不代表电子发烧友网立场。文章及其配图仅供工程师学习之用,如有内容侵权或者其他违规问题,请联系本站处理。 举报投诉
  • 软件
    +关注

    关注

    69

    文章

    4929

    浏览量

    87414
  • GaN
    GaN
    +关注

    关注

    19

    文章

    1933

    浏览量

    73312
  • 生成器
    +关注

    关注

    7

    文章

    315

    浏览量

    21003

原文标题:基于GAN的零缺陷样本产品表面缺陷检测

文章出处:【微信号:机器视觉沙龙,微信公众号:机器视觉沙龙】欢迎添加关注!文章转载请注明出处。

收藏 人收藏

    评论

    相关推荐

    请问ADS1292R如何在MCU休眠的情况下通过脱落检测唤醒MCU?

    请问ADS1292R如何在MCU休眠的情况下通过脱落检测唤醒MCU?
    发表于 11-28 08:03

    一种样本污染且快拍数有限情况下的稳健的波束形成方法

    样本污染情况下,期望信号方向上也可能形成零陷,导致输出信号干扰噪声比严重下降;快拍数有限情况下,假设的白噪声表现为色噪声,从而加剧了自适应波束形成畸变。基于此
    发表于 11-25 14:24 14次下载

    缺陷样本的PCB焊点智能检测方法_卢盛林

    缺陷样本的PCB焊点智能检测方法_卢盛林
    发表于 02-07 16:59 4次下载

    高精度、低功耗、小封装电压检测芯片HX61C

    HX61C系列芯片是使用CMOS威廉希尔官方网站 开发的高精度、低功耗、小封装电压检测芯片。检测电压在小温度漂移的情况下保持极高的精度。客户可选择CMOS
    发表于 04-26 09:30 0次下载
    <b class='flag-5'>高精度</b>、低功耗、小封装电压<b class='flag-5'>检测</b>芯片HX61C

    关于正样本的表面缺陷检测

    ,然而这些方法往往是需要大量标注数据的有监督学习。 在实际的工业场景中,缺陷样本往往是难以收集的,而且标注的成本也十分巨大。针对上述有监督学习在实际应用中存在的问题,本文提出了一种仅基于正样本训练的
    的头像 发表于 05-29 10:23 3314次阅读
    关于正<b class='flag-5'>样本</b>的表面<b class='flag-5'>缺陷</b><b class='flag-5'>检测</b>

    基于配准的样本异常检测的框架

    近年来,异常检测在工业缺陷检测、医疗诊断,自动驾驶等领域有着广泛的应用。“异常”通常定义为 “正常” 的对立面,即所有不符合正常规范的样本
    的头像 发表于 07-27 10:27 1074次阅读

    什么情况下要进行电能质量检测

    什么情况下要进行电能质量检测
    发表于 09-08 14:20 686次阅读

    何在软件中实现高精度NCO

    在本系列的第1部分中,我们将了解如何设计基于直接数字频率合成(DDFS)原理的非常精确的正弦波发生器,但在浮点DSP处理器上通过软件实现。在第 2 部分中,我们将介绍如何在软件中实现高精度
    的头像 发表于 11-28 17:06 1392次阅读
    如<b class='flag-5'>何在</b>软件中<b class='flag-5'>实现</b><b class='flag-5'>高精度</b>NCO

    何在没有Arduino情况下制作机器人

    电子发烧友网站提供《如何在没有Arduino情况下制作机器人.zip》资料免费下载
    发表于 12-05 09:58 0次下载
    如<b class='flag-5'>何在</b>没有Arduino<b class='flag-5'>情况下</b>制作机器人

    如何应用Anomalib在数据集不平衡的情况下检测缺陷

    基于监督式学习的方法利用足够的注释异常样本,通常可用于实现令人满意的异常检测结果。
    的头像 发表于 03-27 10:40 2546次阅读

    高精度电流传感器微电流检测突破进展

    高精度电流传感器微电流检测突破进展 我司高精度微电流传感器,目前的最小辨识度可以达到10uA,对于100uA的微小电流可以准确进行识别,可以在不破坏被测电流线的情况下
    的头像 发表于 09-17 16:09 2607次阅读
    <b class='flag-5'>高精度</b>电流传感器微电流<b class='flag-5'>检测</b>突破进展

    基于GAN的零缺陷样本产品表面缺陷检测

    情况下实现高精度检测呢?目前有两种方法,一种是小样本学习,另一种是用GAN。本文将介绍一种GAN用于无
    的头像 发表于 06-26 09:49 1103次阅读
    基于GAN的零<b class='flag-5'>缺陷</b><b class='flag-5'>样本</b>产品表面<b class='flag-5'>缺陷</b><b class='flag-5'>检测</b>

    何在电压不稳的情况下保障SSD的稳定性能?

    何在电压不稳的情况下保障SSD的稳定性能?
    的头像 发表于 11-24 15:50 646次阅读
    如<b class='flag-5'>何在</b>电压不稳的<b class='flag-5'>情况下</b>保障SSD的稳定性能?

    友思特应用 | 高精度呈现:PCB多类型缺陷检测系统

    高精度呈现!友思特PCB多类型缺陷检测系统,借由深度学习自动标注功能排查全部微小缺陷,为工业 PCB生产制造提供了先进可靠的质量保障。
    的头像 发表于 04-10 17:51 901次阅读
    友思特应用 | <b class='flag-5'>高精度</b>呈现:PCB多类型<b class='flag-5'>缺陷</b><b class='flag-5'>检测</b>系统

    何在激光雷达和接近检测中利用高速比较器提高精度

    电子发烧友网站提供《如何在激光雷达和接近检测中利用高速比较器提高精度.pdf》资料免费下载
    发表于 09-02 09:33 0次下载
    如<b class='flag-5'>何在</b>激光雷达和接近<b class='flag-5'>检测</b>中利用高速比较器提<b class='flag-5'>高精度</b>