面向钻削刀具磨损检测的语义图像分割中数据增强与损失函数的评估
计算机视觉与模式识别
2024-02-12 v2 人工智能
机器学习
摘要
刀具磨损监测对于制造过程（如钻削应用）的质量控制和成本降低至关重要。本文提出了一种基于 U-Net 的语义图像分割流程，部署在切削刀片的显微图像上，用于磨损检测。磨损区域被区分为两种不同的类型，从而构成一个多类分类问题。另一方面，将两种磨损类型合并为一个通用磨损类，则可将问题表述为二分类任务。除了比较二分类与多分类问题外，还研究了不同的损失函数，即交叉熵（Cross Entropy）、焦点交叉熵（Focal Cross Entropy）以及基于交并比（IoU）的损失。此外，模型在不同尺寸的图像块上训练，并采用了不同强度的增强技术。我们发现，性能最佳的模型是二分类模型，其在具有适度增强的数据上训练，并使用基于 IoU 的损失函数。
引用
@article{arxiv.2302.05262,
title = {Evaluation of Data Augmentation and Loss Functions in Semantic Image Segmentation for Drilling Tool Wear Detection},
author = {Elke Schlager and Andreas Windisch and Lukas Hanna and Thomas Klünsner and Elias Jan Hagendorfer and Tamara Teppernegg},
journal= {arXiv preprint arXiv:2302.05262},
year = {2024}
}
备注
This preprint has not undergone peer review or any post-submission improvements or corrections. The Version of Record of this article is published in Journal of Intelligent Manufacturing, and is available online at https://doi.org/10.1007/s10845-023-02313-y