学习纹理表面图像的图傅里叶谱用于缺陷定位
图像与视频处理
2023-12-05 v3
摘要
在工业制造领域，产品检测仍是一个显著瓶颈，仅有少量制造件接受表面缺陷检测。成像系统与人工智能的进步可使制造表面的全自动检测成为可能。然而，即便是最先进的成像与机器学习方法，在检测具有高度纹理背景（源于多种制造工艺）的图像中的缺陷时表现不佳。本文提出一种基于图傅里叶分析的方法，自动识别缺陷图像以及在高纹理背景图像中指示缺陷的关键图傅里叶系数。该方法利用图表示捕获高维数据固有复杂动态的能力，在较低维空间中保留关键的局部性质。以图像的图傅里叶变换系数作为输入训练卷积神经网络模型（1D-CNN），以99.4%的分类准确率识别图像是否含缺陷。采用基于SHAP（SHapley Additive exPlanations，沙普利加性解释）的可解释AI方法进一步分析训练后的1D-CNN模型，以辨识各图像的重要谱系数。该方法揭示了低频图特征波形对图像中表面缺陷精确定位的关键作用，从而推进零缺陷制造的实现。
引用
@article{arxiv.2311.15082,
title = {Learning graph-Fourier spectra of textured surface images for defect localization},
author = {Tapan Ganatma Nakkina and Adithyaa Karthikeyan and Yuhao Zhong and Ceyhun Eksin and Satish T. S. Bukkapatnam},
journal= {arXiv preprint arXiv:2311.15082},
year = {2023}
}