基于深度学习的燃料电池电极X射线图像异常检测

X射线图像中的异常检测在过去几十年中一直是一个活跃且持久的研究领域，尤其是在医学X射线图像领域。在这项工作中，我们创建了一个真实世界的标注异常数据集，由涂有铂催化剂溶液的燃料电池电极的16位X射线图像数据组成，并使用深度学习方法在该数据集上进行异常检测。该数据集包含多样化的异常，有11种已识别的常见异常，其中电极包含例如划痕、气泡、污迹等。我们尝试了16位图像到8位图像的转换方法，以利用预训练的卷积神经网络作为特征提取器（迁移学习），发现通过在16位到8位转换期间跨数据集全局最大化对比度（即直方图均衡化）可获得最佳性能。我们将带异常的燃料电池电极归为称为异常的单一类别，将正常燃料电池电极归为称为正常的类别，从而将异常检测问题抽象为二分类问题。我们实现了85.18%的平衡准确率。该异常检测由Serenergy公司用于优化燃料电池电极质量控制所花费的时间。