一种用于铸造产品缺陷检测的不确定性感知深度学习框架
计算机视觉与模式识别
2021-07-27 v1
摘要
由于铸造工艺的复杂性，缺陷在铸造生产中不可避免。虽然传统的人工目视检测在批量生产中缓慢且低效，但自动且可靠的缺陷检测不仅能加强质量控制过程，还能积极提升生产率。然而，由于缺陷外观的多样性和变异性，铸造缺陷检测是一项具有挑战性的任务。卷积神经网络（CNNs）已广泛应用于图像分类和缺陷检测任务。然而，具有频率主义推断的 CNNs 需要海量数据进行训练，且在给出有益的预测不确定性估计方面仍然不足。为此，利用迁移学习范式，我们首先在一个小数据集上应用四个强大的基于 CNN 的模型（VGG16、ResNet50、DenseNet121 和 InceptionResNetV2）来提取有意义的特征。然后将提取的特征交由各种机器学习算法处理以执行分类任务。仿真结果表明，线性支持向量机（SVM）和多层感知机（MLP）在铸造图像缺陷检测中表现出最佳性能。其次，为实现可靠分类并度量认知不确定性，我们采用一种不确定性量化（UQ）技术（MLP 模型集成），使用从四个预训练 CNNs 提取的特征。UQ 混淆矩阵和不确定性准确率度量也被用于评估预测不确定性估计。综合比较表明，基于 VGG16 的 UQ 方法在获取不确定性方面优于其他方法。我们相信，不确定性感知的自动缺陷检测方案将强化铸造生产的质量保证。
引用
@article{arxiv.2107.11643,
title = {An Uncertainty-Aware Deep Learning Framework for Defect Detection in Casting Products},
author = {Maryam Habibpour and Hassan Gharoun and AmirReza Tajally and Afshar Shamsi and Hamzeh Asgharnezhad and Abbas Khosravi and Saeid Nahavandi},
journal= {arXiv preprint arXiv:2107.11643},
year = {2021}
}
备注
9 pages, 5 figures, 3 tables