太阳能电池质量检验场景中的少样本增量学习
计算机视觉与模式识别
2022-07-05 v1 机器学习
摘要
在工业中，深度神经网络已展现出高于其他更传统基于人工特征工程方案的缺陷检测率。这主要通过监督训练实现，其中需要大量数据以学习良好的分类模型。然而，此类数据量在工业场景中有时难以获取，因为通常只生产出少量缺陷件。此外，某些缺陷极为罕见且通常不时出现，这使得生成用于训练分类模型的合适数据集更为困难。而且，可用数据的缺乏限制了检测模型对生产中出现的新型缺陷的适配，因为这可能需要重新训练模型以纳入并检测这些缺陷。在本工作中，我们探索了权重印记技术在太阳能电池质量检验中的应用：我们在三个基础缺陷类别上训练网络，随后利用少量样本纳入新缺陷类别。结果表明，该技术使网络能够以少量样本扩展其关于缺陷类别的知识，这对工业从业者而言颇具价值。
引用
@article{arxiv.2207.00693,
title = {Few-shot incremental learning in the context of solar cell quality inspection},
author = {Julen Balzategui and Luka Eciolaza},
journal= {arXiv preprint arXiv:2207.00693},
year = {2022}
}