MLography：一种基于新颖数据挖掘与深度学习方法的杂质异常检测自动化定量金相模型
信号处理
2020-03-10 v1 计算机视觉与模式识别
机器学习
图像与视频处理
摘要
大多数工程合金的微观组织含有一些夹杂物与析出相，可能影响其性能，因此对其表征至关重要。本工作致力于开发一种用于异常检测的最先进人工智能模型 MLography，以自动量化合金中杂质的异常程度。为此，我们引入若干异常检测度量：空间异常、形状异常与面积异常，在杂质已被标注的前提下，能成功检测出最异常的对象。前两种度量分别通过各对象相对于邻域的距离与大小，以及其自身形状的异常性来量化每个对象的异常程度。最后一种度量结合前两者，并在所有输入图像中高亮最异常区域，以供后续（物理）检验。基于若干代表性案例展示并分析了模型性能。我们强调，尽管此处提出的模型是为金相分析而开发，其中多数可推广至更宽泛的、需要进行几何对象异常检测的问题集。所有模型及为本工作创建的数据集均公开于：https://github.com/matanr/MLography。
引用
@article{arxiv.2003.04226,
title = {MLography: An Automated Quantitative Metallography Model for Impurities Anomaly Detection using Novel Data Mining and Deep Learning Approach},
author = {Matan Rusanovsky and Gal Oren and Sigalit Ifergane and Ofer Beeri},
journal= {arXiv preprint arXiv:2003.04226},
year = {2020}
}
备注
9 pages, 8 figures, 3 algorithms, 1 table