卷积神经网络分类钢板表面缺陷的建模与评估
计算机视觉与模式识别
2024-06-24 v1
摘要
最近，卷积神经网络 (CNN) 在图像分类任务中实现了卓越的识别率。为此目的，采用在 RGB 相机捕获的金属表面缺陷图像数据集上训练的选择性 CNN。由于生产原因，必须及时检测缺陷以采取纠正措施。目前，图像分类采用模型方法，即比较表面缺陷的预测反射特性与无缺陷表面的反射特性。由于钢材在汽车、家居、建筑等终端产品领域的广泛应用，钢板表面缺陷检测的重要性日益凸显。手动检测 process 耗时、代价高昂且具有劳动密集性。为自动化这些手动 process，已采用 various 方法，但 CNN 模型证明比图像处理和机器学习技术更有效。通过对 fine-tuning 的不同 CNN 模型进行比较，轻松比较其性能并为相同类型的任务选择最佳模型。然而，使用不同 CNN 模型进行 fine-tuning 要么计算成本高，要么耗时。因此，本研究帮助后续研究者在不考虑模型复杂度、性能和计算资源问题的情况下选择 CNN。本文评估了 various CNN 模型的性能，这些模型采用迁移学习技术。所选模型基于其在计算机视觉研究中的流行程度和影响力，以及在基准数据集上的性能。根据结果，DenseNet201 在 NEU 数据集上表现最佳，检测率达 98.37%。
关键词
引用
@article{arxiv.2406.14583,
title = {Modeling & Evaluating the Performance of Convolutional Neural Networks for Classifying Steel Surface Defects},
author = {Nadeem Jabbar Chaudhry and M. Bilal Khan and M. Javaid Iqbal and Siddiqui Muhammad Yasir},
journal= {arXiv preprint arXiv:2406.14583},
year = {2024}
}