稀有缺陷的自动视觉检测：基于 GP-WGAN 与增强 Faster R-CNN 的框架
计算机视觉与模式识别
2021-09-22 v1 机器学习
摘要
半导体与铸造等行业的当前趋势是将视觉检测流程转向自动视觉检测（AVI）系统，以降低成本、减少错误并降低对人工专家的依赖。本文提出一种用于 AVI 系统的两阶段故障诊断框架。在第一阶段，设计一种生成模型以基于真实样本合成新样本。所提出的增强算法从真实样本中提取目标并随机混合，以生成新样本并提升图像处理器性能。在第二阶段，提出一种基于 Faster R-CNN、特征金字塔网络（FPN）与残差网络的改进深度学习架构，用于在增强数据集上执行目标检测。该算法的性能在两个多类数据集上得到验证与评估。在一系列不平衡严重程度下的实验结果表明，所提框架相较于其他方案具有优越性。
引用
@article{arxiv.2105.00447,
title = {Automatic Visual Inspection of Rare Defects: A Framework based on GP-WGAN and Enhanced Faster R-CNN},
author = {Masoud Jalayer and Reza Jalayer and Amin Kaboli and Carlotta Orsenigo and Carlo Vercellis},
journal= {arXiv preprint arXiv:2105.00447},
year = {2021}
}
备注
13 pages, submitted for THE IEEE INTERNATIONAL CONFERENCE ON INDUSTRY 4.0, ARTIFICIAL INTELLIGENCE, AND COMMUNICATIONS TECHNOLOGY (IAICT2021)