工业表面缺陷检测系统中的深度学习策略
计算机视觉与模式识别
2021-09-24 v1
摘要
深度学习方法已证明在图像处理的多个领域优于传统计算机视觉方法。然而,由于训练数据不足、数据生成过程昂贵、表面缺陷尺寸小且出现频率低,深度学习在工业表面缺陷检测系统中的应用具有挑战性。从文献与一个聚合物产品制造用例中,我们识别出反映上述挑战的设计需求。针对这些需求,我们基于深度学习研究概念化了设计原则与特征。最后,我们基于一个工业表面缺陷检测用例,以可操作指南与策略的形式实例化并评估所获设计知识。因此,本文通过以下方面对学术与实践做出贡献:(1) 系统识别基于深度学习的表面缺陷检测在工业应用中的挑战,(2) 克服这些挑战的策略,以及(3) 评估策略适用性与有用性的实验性案例研究。
引用
@article{arxiv.2109.11304,
title = {Deep Learning Strategies for Industrial Surface Defect Detection Systems},
author = {Dominik Martin and Simon Heinzel and Johannes Kunze von Bischhoffshausen and Niklas Kühl},
journal= {arXiv preprint arXiv:2109.11304},
year = {2021}
}
备注
55th Annual Hawaii International Conference on System Sciences (HICSS-55)