基于卷积神经网络的实时表面缺陷分类
图像与视频处理
2019-04-10 v1 计算机视觉与模式识别
机器学习
机器学习
摘要
表面检测系统是计算机视觉的重要应用领域，用于制造业中的缺陷检测与分类。现有系统使用需大量领域知识手工设计的特征。尽管卷积神经网络（CNNs）已在许多大规模挑战中证明成功，工业检测系统却因两大挑战而几乎未能实现其潜力：实时处理速度要求，以及有时规模有限的专门窄领域数据集。本文提出专为应对表面检测系统容量与实时速度要求而设计的 CNN 模型。为训练与评估我们的网络模型，我们创建了一个包含逾 22000 张标注图像、涵盖多种表面材料的表面图像数据集，并在二分类缺陷分类中达到 98.0% 准确率。为解决数据集中的类不平衡问题，我们引入了神经数据增强方法，其亦适用于受同样问题困扰的相似领域。我们的结果表明，基于深度学习的方法可用于表面检测系统，并在准确率与推理时间上以显著优势超越传统方法。
引用
@article{arxiv.1904.04671,
title = {Surface Defect Classification in Real-Time Using Convolutional Neural Networks},
author = {Selim Arikan and Kiran Varanasi and Didier Stricker},
journal= {arXiv preprint arXiv:1904.04671},
year = {2019}
}
备注
Supplementary material will follow