基于 CNN 自动编码器的图像去噪对图像分类任务的影响评估

现实世界中捕获的图像常受 various 类型的噪声影响，这会显著影响计算机视觉系统的性能以及视觉数据的质量。本研究提出一种新颖的方法，用于对铸造产品中带噪声的图像进行缺陷检测，具体针对潜水泵叶轮进行研究。方法论涉及利用深度学习模型（如 VGG16、InceptionV3 等）在空间域和频域中识别噪声类型和缺陷状态。研究过程包括图像预处理，随后应用针对特定噪声类别的去噪技术。目标是通过将噪声检测与去噪集成到分类管道中，提高缺陷检测的准确性和鲁棒性。研究结果表明，VGG16 在频域中用于噪声类型分类的准确率超过 99%。盐椒噪声去除后平均 SSIM 为 87.9，高斯噪声去除后平均 SSIM 为 64.0，周期噪声去除后平均 SSIM 为 81.6。该综合方法展示了深度自动编码器模型和中值滤波器在实际工业应用中的去噪效果。最终报告称，针对缺陷检测的二分类准确率显著提升：VGG16 分类器的准确率从 94.6% 提升至 97.0%，InceptionV3 分类器的准确率从 84.7% 提升至 90.0%，进一步验证了将噪声分析集成到分类管道中的优势。