TLU-Net：一种用于钢材表面缺陷自动检测的深度学习方法
计算机视觉与模式识别
2021-01-19 v1 人工智能
机器学习
图像与视频处理
摘要
视觉钢材表面缺陷检测是钢板制造中的关键步骤。近年来，多种基于机器学习的自动视觉检测（AVI）方法已被研究。然而，由于 AVI 方法涉及的训练时间和不准确性，大多数钢铁制造企业仍使用人工视觉检测。自动钢材缺陷检测方法有助于实现更廉价、更快速的质量控制与反馈。但为分割和分类准备标注训练数据可能成本高昂。本工作中，我们提出使用基于迁移学习的 U-Net（TLU-Net）框架进行钢材表面缺陷检测。我们以 U-Net 架构为基础，探索了两类编码器：ResNet 和 DenseNet。我们使用随机初始化以及基于 ImageNet 数据集预训练的网络来比较这些网络的性能。实验使用 Severstal 数据进行。结果表明，迁移学习在缺陷分类上比随机初始化绝对性能好 5%。我们发现迁移学习在缺陷分割上比随机初始化相对性能好 26%。我们还发现，随着训练数据减少，迁移学习的增益增大，且迁移学习的收敛速度快于随机初始化。
引用
@article{arxiv.2101.06915,
title = {TLU-Net: A Deep Learning Approach for Automatic Steel Surface Defect Detection},
author = {Praveen Damacharla and Achuth Rao M. V. and Jordan Ringenberg and Ahmad Y Javaid},
journal= {arXiv preprint arXiv:2101.06915},
year = {2021}
}