用于缺陷铸造产品识别的高效深度学习方法
机器学习
2022-05-17 v1 人工智能
计算机视觉与模式识别
摘要
近年来，质量检验在任何大规模制造行业中已变得至关重要。为了减少人为误差，使用高效且低计算量的 AI 算法来识别此类缺陷产品已成为当务之急。在本文中，我们利用模型大小、性能与 CPU 延迟，对比并对照了各种预训练与自定义构建的架构在缺陷铸造产品检测中的表现。我们的结果表明，自定义架构比预训练的移动架构更高效。此外，自定义模型比 MobileNetV2 与 NasNet 等轻量模型快 6 至 9 倍。自定义架构的训练参数数量与模型大小显著低于（分别约为 ~386 倍与 ~119 倍）MobileNetV2 与 NasNet 等性能最优的模型。我们还在自定义架构上进行了数据增强实验，以使模型更鲁棒且更具泛化性。我们的工作揭示了这些自定义架构在 Edge 与 IoT 设备部署上的高效性，以及迁移学习模型未必总是理想选择。相反，它们应当针对手头的数据集类别与分类问题而具体化。
引用
@article{arxiv.2205.07118,
title = {Efficient Deep Learning Methods for Identification of Defective Casting Products},
author = {Bharath Kumar Bolla and Mohan Kingam and Sabeesh Ethiraj},
journal= {arXiv preprint arXiv:2205.07118},
year = {2022}
}
备注
Accepted at ICCR 2021: International Conference on Cognition and Recognition 2021