Usando ISU

Scientific Reports volume 12, Número do artigo: 11604 (2022) Citar este artigo

1991 Acessos

2 Citações

Detalhes das métricas

A detecção de defeitos de superfície é um processo vital na produção industrial e uma direção de pesquisa significativa em visão computacional. Embora os métodos atuais de detecção de defeitos de aprendizado profundo baseados em visão computacional possam atingir alta precisão de detecção, eles são baseados principalmente no aprendizado supervisionado. Eles exigem muitas amostras de defeitos para treinar o modelo, o que não é compatível com a situação atual de que amostras de defeitos industriais são difíceis de obter e caras de rotular. Portanto, propomos um novo modelo de detecção de defeitos de pequenas amostras não supervisionado - ISU-GAN, baseado na arquitetura CycleGAN. Uma conexão de salto, módulo SE e módulo Involution são adicionados ao Gerador, permitindo que a capacidade de extração de recursos do modelo seja significativamente melhorada. Além disso, propomos um método de segmentação de defeitos baseado em SSIM que se aplica à detecção de defeitos baseada em GAN e pode extrair contornos de defeitos com precisão sem a necessidade de pós-processamento de redução de ruído redundante. Experimentos no conjunto de dados DAGM2007 mostram que o ISU-GAN não supervisionado pode alcançar maior precisão de detecção e perfis de defeitos mais finos com menos de 1/3 dos dados de treinamento não rotulados do que o modelo supervisionado com o conjunto de treinamento completo. Em relação aos modelos de segmentação supervisionados UNet e ResUNet++ com mais amostras de treinamento, nosso modelo melhora a precisão da detecção em 2,84% e 0,41%, respectivamente, e a pontuação F1 em 0,025 e 0,0012, respectivamente. Além disso, o perfil previsto obtido pelo nosso método é mais próximo do perfil real do que outros modelos usados ​​para comparação.

Os produtos podem ter defeitos de superfície no processo de produção industrial real devido a erros de máquinas, erros de trabalhadores e problemas no processo de produção. Defeitos de superfície não afetam apenas a estética e o desempenho do produto, resultando em menor satisfação do usuário, mas também podem ser um risco à segurança, representando uma ameaça à vida e à propriedade do usuário. Portanto, a detecção de defeitos de superfície é uma parte essencial da produção industrial.

Por muito tempo, o processo de defeito de superfície industrial dependeu do trabalho manual, que não é apenas demorado e trabalhoso, mas também muito subjetivo, que não pode atender às necessidades da produção industrial com alta eficiência e precisão. Portanto, a tecnologia de detecção automatizada de defeitos baseada em visão computacional tem sido uma direção de pesquisa mais popular. Atualmente, os métodos automatizados de detecção de defeitos baseados em visão de máquina incluem principalmente métodos tradicionais e métodos de aprendizado profundo.

Os métodos tradicionais dependem da informação estrutural da imagem para detectar defeitos. Geralmente requer esforços humanos para projetar o algoritmo de detecção correspondente com base nas características do defeito e no cenário real da aplicação. Os métodos tradicionais atuais de detecção de defeitos baseados em visão de máquina incluem principalmente filtragem de Gabor1, algoritmo de padrão binário local aprimorado (MB-LBP)2, algoritmo de Sobel aprimorado3 etc. Detecção final. O tempo e o custo econômico de projetar manualmente diferentes algoritmos de inspeção para diferentes defeitos são muito altos e exigem um grande número de pessoas com grande experiência, o que é um desafio para atender aos requisitos de eficiência e custo da produção industrial. Além disso, na prática, algoritmos de detecção baseados em características de defeitos vistos pelo olho humano são suscetíveis a interferências de mudanças no ambiente externo, dificultando a obtenção de robustez satisfatória.

Com o advento do aprendizado profundo, vários algoritmos baseados em Redes Neurais Convolucionais (CNNs) alcançaram resultados surpreendentes em muitos subcampos da visão de máquina. Em comparação com os métodos tradicionais de detecção de defeitos, os métodos de aprendizado profundo eliminam a necessidade de modelar manualmente os recursos de defeitos e permitem a detecção de ponta a ponta. Eles também têm as vantagens de alta precisão de detecção, convergência rápida e robustez.