用于自动视觉检测的流式机器学习与在线主动学习
计算机视觉与模式识别
2021-12-10 v2 图像与视频处理
摘要
质量控制是制造企业为验证产品是否符合要求和规范而执行的关键活动。标准化的质量控制确保所有产品在相同的标准下进行评估。传感器和连接成本的降低促进了制造业日益增长的数字化，并提供了更大的数据可用性。这种数据可用性推动了人工智能模型的发展，使得在检测产品时能够实现更高的自动化程度并减少偏差。此外，检测速度的提高减少了缺陷检测所需的总体成本和时间。在本研究中，我们比较了应用于视觉缺陷检测的五种流式机器学习算法，使用了由 Philips Consumer Lifestyle BV 提供的真实世界数据。此外，我们还在流式主动学习背景下对它们进行了比较，这减少了真实世界环境中的数据标注工作量。我们的结果表明，在最坏情况下，主动学习平均减少了近 15\% 的数据标注工作量，同时保持了可接受的分类性能。在自动视觉检测中使用机器学习模型有望将质量检测速度提高至 40\%。
引用
@article{arxiv.2110.09396,
title = {Streaming Machine Learning and Online Active Learning for Automated Visual Inspection},
author = {Jože M. Rožanec and Elena Trajkova and Paulien Dam and Blaž Fortuna and Dunja Mladenić},
journal= {arXiv preprint arXiv:2110.09396},
year = {2021}
}