【Surface Detection】Segmentation-Based Deep-Learning Approach for Surface-Defect Detection
物体表面缺陷检测现状
传统机器学习局限性
- 传统机器学习方法对于特定的算法只能解决特定的问题,不够灵活,无法快速适应新产品;
- 不同的问题有不同的特征,当需要解决新问题时,需要重新设计特征,开发周期长;
深度学习遇到的问题
- 训练数据数量需求大;
- 标注精度、耗时需求严格;
- 计算能力需求高。
该篇paper解决了深度学习遇到的如上三个问题
Paper贡献
该篇paper提出了一个两阶段的网络,即分割网络 + 决策网络。
- 分割网络用于对输入的图片进行缺陷的具体定位,最后生成分割掩码(二值图像);
- 决策网络用于判断输入的图片是否存在缺陷,生成二值分类输出。
实现细节
分割网络
分割网络要在高分辨率的图像表面上检查小的缺陷,需满足两个要求:
- 具有较大的感受野;
- 能够捕捉到较小的特征细节;
因此,在设计时,需要具有下采样层,在比较深的层中使用尺寸大的卷积核。
决策网络
为什么要提出这样的决策网络?有什么作用?
简单的分割网络似乎没有足够的信息来预测图像中缺陷的存在。
- 决策网络能够从最后一个分割层的特征图中捕获信息;
- 额外的下采样增加了感受野的大小,能够捕获缺陷的全局形状。全局形状对分类很重要,有助于提高性能。
网络训练过程
数据集
该篇paper中使用到的是工业界中电机转向器的拍摄样本集Kolektor
网络在不同配置下的评估
网络在四个配置组下进行评估:
五种精度的标注;
两种损失函数 (均方误差、交叉熵);
输入图像是全尺寸(1408 x 512 px)还是半尺寸(704 x 256 px);
是否对输入图像进行90°的旋转。
实验结果如下:
可见,paper提出的网络在如下:
1. 标注精度为Dilate = 5;
2. 交叉熵损失函数;
3. 全尺寸图像;
4. 不对图像进行90°旋转。
配置,达到了最优的性能。
性能评估
paper的作者把提出的网络与目前最常用的两个分割网络(DeepLab v3+与U-Net)和用于缺陷检测的商业软件Cognex ViDi Suite进行了性能对比。如下性能指标皆在三个网络和商业软件最优配置下进行评估:
结果如上图所示:
paper提出的网络AP最高,达到了99.9%,漏检个数与误检个数也最少。
所需训练样本个数
如上图所示,paper提出的网络,在仅有33个缺陷样本的训练下,AP能够达到99.9%;在仅有5个缺陷样本的训练下,AP依旧能够达到96.1%。超过了其它分割网络和商业软件在同等配置下的效果,一定程度上解决了深度学习所需样本数量大的问题。
所需训练时间
如上图所示:
paper提出的网络在对单张图片进行检测的平均准确度和时间上,都有着不错的效果,如何能做到这样的效果,也取决于上图,可以看到,paper提出的网络所需的参数,远少于另外两种分割网络,因此在训练以及检测的过程中,花费的时间得到了很大程度的提升。
【Surface Detection】Segmentation-Based Deep-Learning Approach for Surface-Defect Detection的更多相关文章
- 【论文笔记】DeepOrigin: End-to-End Deep Learning for Detection of New Malware Families
DeepOrigin: End-to-End Deep Learning for Detection of New Malware Families 标签(空格分隔): 论文 论文基本信息 会议: I ...
- 论文笔记之:From Facial Parts Responses to Face Detection: A Deep Learning Approach
From Facial Parts Responses to Face Detection: A Deep Learning Approach ICCV 2015 从以上两张图就可以感受到本文所提方法 ...
- 《3-D Deep Learning Approach for Remote Sensing Image Classification》论文笔记
论文题目<3-D Deep Learning Approach for Remote Sensing Image Classification> 论文作者:Amina Ben Hamida ...
- Review of Semantic Segmentation with Deep Learning
In this post, I review the literature on semantic segmentation. Most research on semantic segmentati ...
- 【论文阅读】HydraPlus-Net: Attentive Deep Features for Pedestrian Analysis
转载请注明出处:https://www.cnblogs.com/White-xzx/ 原文地址:https://arxiv.org/abs/1709.09930 Github: https://git ...
- 【论文阅读】PBA-Population Based Augmentation:Efficient Learning of Augmentation Policy Schedules
参考 1. PBA_paper; 2. github; 3. Berkeley_blog; 4. pabbeel_berkeley_EECS_homepage; 完
- 【论文阅读】End to End Learning for Self-Driving Cars
前言引用 [1] End to End Learning for Self-Driving Cars从这里开始 [1.1] 这个是相关的博客:2016:DRL前沿之:End to End Learni ...
- 机器学习案例学习【每周一例】之 Titanic: Machine Learning from Disaster
下面一文章就总结几点关键: 1.要学会观察,尤其是输入数据的特征提取时,看各输入数据和输出的关系,用绘图看! 2.训练后,看测试数据和训练数据误差,确定是否过拟合还是欠拟合: 3.欠拟合的话,说明模 ...
- 【流行前沿】联邦学习 Federated Learning with Only Positive Labels
核心问题:如果每个用户只有一类数据,如何进行联邦学习? Felix X. Yu, , Ankit Singh Rawat, Aditya Krishna Menon, and Sanjiv Kumar ...
- 【Unity Shaders】Diffuse Shading——创建一个基本的Surface Shader
本系列主要参考<Unity Shaders and Effects Cookbook>一书(感谢原书作者),同时会加上一点个人理解或拓展. 这里是本书所有的插图.这里是本书所需的代码和资源 ...
随机推荐
- SpringBoot框架SpEL表达式注入漏洞复现与原理分析
前言 这是2016年的一个洞,利用条件是至少知道一个触发 springboot 默认错误页面的接口及参数名. 影响版本:1.1.0-1.1.12 1.2.0-1.2.7 1.3.0 修复方案:升级版本 ...
- 前端性能优化——首屏时间&&白屏时间
1.首屏时间概念 首屏时间是指用户打开一个网站时,直到浏览器首页面内容渲染完成的时间. 2.白屏时间概念 白屏时间即是,浏览器开始显示内容的时间,所以我们一般认为解析完<head>的时刻, ...
- Git新技能-stash操作
最近开发的工期非常紧迫,一直在忙各种杂七杂八的事情,负责人都还没有创建好测试环境, 所以代码也不能部署.可是项目经理催促开发进度又催得很急,新的开发需求必须在指定的时间内 完成,我们只得想办法去克服困 ...
- select中DISTINCT的应用-过滤表中重复数据
在表中,一个列可能会包含多个重复值,有时也许希望仅仅列出不同(distinct)的值. DISTINCT 关键词用于返回唯一不同的值. SQL SELECT DISTINCT 语法 SELECT DI ...
- java将秒数转换为时分秒格式
/** * 转换时间格式为xx小时xx分xx秒 * @param second xxxxx */ public String changeTimeFormat(String second) { Int ...
- 【翻译】Spring Security抛弃了WebSecurityConfigurerAdapter
原文链接:Spring Security without the WebSecurityConfigurerAdapter 作者:ELEFTHERIA STEIN-KOUSATHANA 发表日期:20 ...
- xmind下载安装破解版激活教程思维导图软件获取
1.xmind下载解压压缩包就可以看到里面的文件,然后双击安装文件就可以开始安装了 2.安装Xmind程序双击之后会出现下面的流程,照着截图操作,不要乱点哈 切记切记!!这一步直接点击next,不要修 ...
- solidedge型材库/.sldlfp格式转.par
一.打开solidworks型材库:D:\Program Files\SOLIDWORKS Corp\SOLIDWORKS\lang\chinese-simplified\weldment profi ...
- day01-计算机的本质
计算机的本质 计算机又称为"电脑": 通电的大脑 意味着我们人类希望计算机通电之后可以跟人脑一样思考问题.解决问题 计算机存储数据的本质 计算机是基于电工作,而电信号只有高低电平两 ...
- 如何安装Visual Studio Community2022
如何安装Visual Studio Community2022 Visual Studio是一款强大的IDE(集成开发环境),对于初学者可以选择使用社区版,下面是Visual Studio Commu ...