半孪生网络用于跨域鲁棒变化检测及其在 3D 打印中的应用
计算机视觉与模式识别
2023-08-04 v2
摘要
3D 打印过程的自动缺陷检测具有变化检测问题的诸多特征，是 3D 打印产品质量控制的关键环节。然而，当前实践存在一些严峻挑战。首先，基于计算机视觉的过程监控现有方法通常仅在特定相机视角与光照条件下表现良好，需昂贵的预处理、对齐与相机配置。其次，许多缺陷检测技术局限于预定义缺陷模式和/或打印 schematic。本文采用一种新颖的半孪生（Semi-Siamese）深度学习模型处理缺陷检测问题，该模型直接比较期望打印的参考 schematic 与已实现打印的相机图像。随后模型求解图像分割问题，依据参考 schematic 精确识别不同类型缺陷的位置。我们的模型旨在实现跨域异构图像的比较，同时对成像设置中的扰动（如不同相机角度与光照）保持鲁棒。关键的是，我们表明这一简洁架构易于在新数据集上预训练以提升性能，且优于基于生成对抗网络（GAN）与 Transformer 的更复杂前沿方法。使用我们的模型，在标准 MacBook Pro 上每层缺陷定位预测耗时少于半秒，同时取得超过 0.9 的 F1 分数，证明了该方法用于 3D 打印原位缺陷检测的有效性。
引用
@article{arxiv.2212.08583,
title = {Semi-Siamese Network for Robust Change Detection Across Different Domains with Applications to 3D Printing},
author = {Yushuo Niu and Ethan Chadwick and Anson W. K. Ma and Qian Yang},
journal= {arXiv preprint arXiv:2212.08583},
year = {2023}
}