利用单阶段检测器学习识别涡轮叶片中的钻孔缺陷
计算机视觉与模式识别
2022-08-10 v1 图像与视频处理
摘要
无损检测（NDT）广泛应用于制造与运行期间涡轮部件的缺陷识别。对于燃气轮机原始设备制造商（OEM）而言，操作效率至关重要。因此，在尽可能自动化检测流程的同时最小化相关不确定性是关键所在。我们提出一种基于RetinaNet的模型，用于识别涡轮叶片X射线图像中的钻孔缺陷。该应用面临挑战：图像分辨率大，缺陷极小且难以被常用锚框尺寸捕获；可用数据集规模小。事实上，在基于深度学习的物体检测模型应用于工业缺陷数据时，这些问题都十分常见。我们通过使用开源模型、将输入图像分块并放大、施加重度数据增强，以及利用差分进化求解器优化锚框尺寸与长宽比来克服上述问题。我们通过折交叉验证对模型进行验证，显示出在识别含缺陷图像方面具有很高的准确率。我们还定义了一套最佳实践，可帮助其他从业者克服类似挑战。
引用
@article{arxiv.2208.04363,
title = {Learning to Identify Drilling Defects in Turbine Blades with Single Stage Detectors},
author = {Andrea Panizza and Szymon Tomasz Stefanek and Stefano Melacci and Giacomo Veneri and Marco Gori},
journal= {arXiv preprint arXiv:2208.04363},
year = {2022}
}
备注
Workshop on machine learning for engineering modeling, simulation and design @ NeurIPS 2020