TransferD2:基于迁移学习技术的智能制造缺陷自动检测方法
计算机视觉与模式识别
2023-02-28 v1 人工智能
机器学习
摘要
质量保证在智能制造行业中至关重要,因为它在成品运出前识别缺陷的存在。现代机器学习技术可被用来提供这些瑕疵的快速准确检测。因此,我们提出一种迁移学习方法,即 TransferD2,以正确识别源对象数据集上的缺陷,并将其应用扩展至新的未见目标对象。我们提出一种数据增强技术,从小的源数据集生成大数据集以构建分类器。然后将三种不同的预训练模型(Xception、ResNet101V2 和 InceptionResNetV2)集成到分类器网络中,并比较它们在源数据与目标数据上的性能。我们使用该分类器借助伪边界框检测未见目标数据上瑕疵的存在。我们的结果表明,ResNet101V2 在源数据上表现最佳,准确率为 95.72%。Xception 在目标数据上表现最佳,准确率为 91.00%,并且对目标图像上的缺陷提供了更准确的预测。整个实验中,结果还表明预训练模型的选择不依赖于网络的深度。我们提出的方法可应用于训练数据不足的缺陷检测场景,并可扩展至识别新未见数据中的瑕疵。
引用
@article{arxiv.2302.13317,
title = {TransferD2: Automated Defect Detection Approach in Smart Manufacturing using Transfer Learning Techniques},
author = {Atah Nuh Mih and Hung Cao and Joshua Pickard and Monica Wachowicz and Rickey Dubay},
journal= {arXiv preprint arXiv:2302.13317},
year = {2023}
}
备注
Keywords: Transfer Learning, Smart Manufacturing, Defect Detection, Deflectometry Data, Data Enhancement, Product Quality Assurance