利用图像处理策略改进基于深度学习的窗框缺陷检测
图像与视频处理
2023-09-14 v1
摘要
检测窗框中的细微缺陷（包括凹痕和划痕）对于维护产品完整性和保持积极的品牌认知至关重要。传统的机器视觉系统往往难以在施工现场等具有挑战性的环境中识别这些缺陷。相比之下，利用机器和深度学习（DL）的现代视觉系统正成为强有力的工具，特别是在外观检测方面。然而，深度学习的潜力尚未完全实现。少数制造商已为质量检验中的人工智能集成建立了明确战略，其主要受限于干净数据集稀缺和环境变化损害模型准确性等问题。针对这些挑战，我们的研究提出了一种创新方法，即使在数据资源受限的情况下也能增强深度学习模型中的缺陷检测。本文提出了一种称为 InspectNet（IPT增强UNET）的新缺陷检测流程，其包含用于数据集预处理的最佳图像增强与扩增技术组合，以及为窗框缺陷检测与分割调优的 Unet 模型。实验使用 Spot Robot 进行窗框检测。利用不同的图像扩增设置构建了16种数据集变体。实验结果表明，在所有提出的评估指标上平均而言，当应用 IPT 增强扩增时，Unet 优于所有其他算法。特别是，在使用最佳数据集时，达到的平均交并比（IoU）值为 IPT 增强 Unet，mIoU 达到 0.91。
引用
@article{arxiv.2309.06731,
title = {Improving Deep Learning-based Defect Detection on Window Frames with Image Processing Strategies},
author = {Jorge Vasquez and Hemant K. Sharma and Tomotake Furuhata and Kenji Shimada},
journal= {arXiv preprint arXiv:2309.06731},
year = {2023}
}