一种基于断层扫描的工作流以实现基于X射线的异物检测深度学习
计算机视觉与模式识别
2022-08-19 v1 机器学习
图像与视频处理
摘要
在产品内部检测不期望的（“异”）物是许多工业部门维持生产质量的常见程序。X射线成像是一种快速、非侵入且广泛适用的异物检测方法。深度学习近来已成为识别射线照片（即X射线图像）中模式的强大方法，从而实现基于X射线的异物自动检测。然而，这些方法需要大量训练样本，且对这些样本的人工标注是一项主观且繁重的任务。在本工作中，我们提出一种基于计算机断层扫描（CT）的方法来生成用于异物检测监督学习的训练数据，且劳动力需求最小。在我们的方法中，对少数代表性物体进行CT扫描并重建为三维。作为CT扫描数据一部分获取的射线照片用作机器学习方法的输入。通过精确的三维重建与分割获得异物的高质量真值位置。利用这些分割后的体积，通过创建虚拟投影获得相应的二维分割。我们概述了以这种客观且可复现的方式生成训练数据相较于常规射线照片标注的优势。此外，我们展示了准确度如何依赖于用于CT重建的物体数量。结果表明，在该工作流中通常仅需相对较少的代表性物体（即少于10个）即可在工业环境中达到充分的检测性能。而且，对于真实实验数据，我们表明该工作流比标准射线照片标注带来更高的异物检测准确度。
引用
@article{arxiv.2201.12184,
title = {A tomographic workflow to enable deep learning for X-ray based foreign object detection},
author = {Mathé T. Zeegers and Tristan van Leeuwen and Daniël M. Pelt and Sophia Bethany Coban and Robert van Liere and Kees Joost Batenburg},
journal= {arXiv preprint arXiv:2201.12184},
year = {2022}
}
备注
This paper is under consideration at Expert Systems with Applications. 22 pages, 15 figures