Karmaşık Sahnelerde Karmaşık Hata Tespit Yöntemleri Derin Öğrenme Algoritmalarının Özeti
Lei Feng.com: Bu makale, Matrix Vision'ın kurucusu Mi Baotong tarafından hazırlanmıştır. Matrix Vision, Ekim 2017'de, fabrika makine görüşü geliştirmeyi iyileştirmeye ve verimliliği yükseltmeye yardımcı olmak için esas olarak SaaS bulut platformu aracılığıyla makine vizyonuna odaklanarak kuruldu. Mi Baotong, Çin Renmin Üniversitesinden bilgisayar bilimi alanında bir doktora, Qihoo 360'ta ürün müdürü ve Ar-Ge mühendisiydi.
1. Arkaplan Bilgi
Otomasyon teknolojisinin hızla gelişmesiyle, endüstriyel üretimde manuel işlem gerektiren birçok bağlantı kademeli olarak makinelere aktarılır.Endüstriyel üretim otomasyonu aynı zamanda daha fazla işçiyi sıkıcı işlerden kurtararak daha fazla oynamalarına izin verir. Büyük bir değer.
Ürün yüzey kusur tespiti, endüstriyel üretimde önemli bir bağlantı ve ürün kalite kontrolünde önemli bir adımdır.Hata tespit teknolojisi sayesinde, üretim kalitesi ve verimliliği etkili bir şekilde iyileştirilebilir. Bununla birlikte, ekipman ve işçilik gibi faktörler nedeniyle, kumaş üretiminde lekeler ve kırılmalar, metal ürünler üzerindeki çizikler, çatlaklar ve düzensizlikler gibi ürünlerin yüzeyindeki kusur türleri genellikle çeşitlidir.Aşağıdaki şekilde çeşitli kusur türleri gösterilmektedir. Göstermek.
Tek bir resimdeki kusurlar çeşitlidir ve farklı kusurların tezahürleri farklıdır, bu da kusurların otomatik olarak tespit edilmesine zorluklar getirir.
İkincisi, geleneksel algoritma
Geleneksel yüzey kusur algılama algoritması yapısı, görüntü ön işleme yoluyla algılaması kolay bir görüntü elde eder ve ardından kusur algılama hedefine ulaşmak için görüntü özelliklerini çıkarmak için istatistiksel makine öğrenme yöntemlerini kullanır.
Görüntü ön işleme genellikle, ön plandan ve arka plandan ayrılmış basitleştirilmiş görüntü bilgileri elde etmek için histogram eşitleme, filtre denoising, gri ölçekli ikileme ve yeniden filtrelemeyi içerir; daha sonra matematiksel morfoloji, Fourier dönüşümü, Gabor dönüşümü vb. Kullanın. Algoritmalar ve makine öğrenimi modelleri, hataların işaretlenmesini ve tespitini tamamlar.
Yukarıda bahsedilen geleneksel algoritmalar, bazı özel uygulamalarda iyi sonuçlar elde etmiştir, ancak yine de birçok eksiklik bulunmaktadır. Örneğin: görüntü ön işleme adımları çok sayıdadır ve yüksek düzeyde hedeflenmiştir ve sağlamlık zayıftır; çeşitli algoritmalar harika hesaplamalara sahiptir ve kusurların boyutunu ve şeklini doğru bir şekilde algılayamaz. Derin öğrenme, verileri öğrenme yoluyla doğrudan güncelleyebilir, karmaşık algoritma süreçlerinin manuel tasarımını önleyebilir ve son derece yüksek sağlamlığa ve doğruluğa sahiptir.
Üç, derin öğrenme
Şu anda metal bağlantı elemanları, kumaş ipek kumaşlar, inşaat çatlakları, çelik çubuk çatlakları gibi birçok alanda derin öğrenmeye dayalı kusur tespiti uygulanmış ve iyi sonuçlar elde edilmiştir. Uygulama yöntemi aşağıda özel durumlarla bağlantılı olarak tanıtılacaktır.
3.1 Çatlak kusur tespiti
Yapı malzemelerinin (manyetik karolar vb.) Görünüm değişiklikleri (çatlaklar veya korozyon vb.), Bina yapısının güvenliğinden ayrılamaz ve denetçilerin görsel incelemesine güvenmenin etkisi çok sınırlıdır. Tersine, bilgisayar görüşüne dayalı yapısal hasar Algılama daha güvenilir ve kullanışlıdır.
Bu makale, görüntülerin neredeyse gerçek zamanlı işlenmesini sağlamak için Daha Hızlı RCNN kullanır. Genel mimarisi iki bölüm içerir: RPN ve Hızlı RCNN. Yukarıdaki şekilde gösterildiği gibi, RPN ve Hızlı RCNN, görüntülerden özellikleri çıkarmak için aynı CNN ağını kullanır. CNN'nin ana yapısı aşağıdaki şekilde gösterilmektedir. Göstermek.
RPN'nin rolü aday hedefler önermektir. Şematik yapı şekilde gösterildiği gibidir. Gerçekleştirme süreci şunları içerir:
Görüntüyü girdikten sonra, özellik haritasını almak için CNN ağını kullanın;
Özellik haritasındaki her CONV kayan penceresinin özelliğini bir vektöre eşleyin ve Softmax ve Regressor katmanlarına girin;
Kusur sınırlama kutusunun koordinatlarını tahmin edin.
Hızlı RCNN'nin işlevi, görüntüdeki kusur konumunu bulmak ve sınıflandırmaktır ve yapı akışı yukarıdaki şekilde gösterilmektedir.
Giriş görüntüsünden özellik haritalarını çıkarın ve bir ilgi bölgesi (ROI) elde edin;
ROI havuzunda, önceden hesaplanmış ilgilenilen bölge özellik haritası üzerinde kapsanır ve sabit boyutlu özellik vektörleri çıkarılır;
Elde edilen vektörü tam bağlantılı katmana girin, sınırlayıcı kutunun konumunu hesaplayın ve kutudaki nesneleri sınıflandırın.
3.2 Hasarlı kusur tespiti
Elektrikli demiryolları gibi endüstrilerde, güvenlikle ilgili birçok önemli aygıt yazılımı vardır ve bu aygıt yazılımlarının kusur tespiti çok önemlidir.
Bu makalenin yazarı, bellenim konumlandırma, hata algılama ve sınıflandırma dahil olmak üzere kabadan inceye kademeli bir algılama ağı oluşturmak için SSD, Yolo ve diğer ağ yöntemleriyle birlikte derin evrişimli sinir ağlarını (DCNN'ler) kullanır.Uygulama süreci aşağıdaki şekilde gösterilmektedir.
(1) Bağlantı elemanı çıkarma
Hız ve doğruluk açısından iyi performans gösteren SSD çerçevesinin yardımıyla, görüntüdeki konsol düğümünü bulun;
Bağlantı elemanlarını bulmak için Yolo çerçevesine dayalı hızlı yerelleştirme mimarisi.
(2) Firmware kusur tespiti ve sınıflandırması
Bağlantı elemanı incelemesinin ikinci aşamasına göre kusurları yargılamak;
Yine DCNN'nin yardımıyla, kusurlar 4 evrişimli katmanla sınıflandırılır (sınıflandırma ağ yapısı aşağıdaki şekilde gösterilmiştir).
DCNN'ler, hızlı tespit için elverişli olan iyi bir sağlamlığa ve kendi kendine uyarlanabilirliğe sahiptir.Bu nedenle, bu yöntem, bağlantı elemanı kusur tespiti ve sınıflandırmasında iyi bir uygulama olasılığına sahiptir.
3.3 Nokta kusur tespiti
Tekstil, ahşap, seramik fayans vb. Gibi birçok endüstride nokta kusur tespiti yaygındır. Dokusunun tutarlılığı genellikle tespit amacına ulaşmak için kullanılır. Son yıllarda, ilgili endüstrilerdeki yüzey kusurlarını tespit etmek için derin öğrenme görsel denetim teknolojisinin kullanılması yaygın ilgi gördü.
Yazar, kumaş dokusu görüntülerinin kusur tespitini gerçekleştirmek için görüntü piramit hiyerarşisi ve evrişimli denoising otoencoder ağını (CDAE) birleştirme fikrini benimser Genel yapı aşağıdaki şekilde gösterilmiştir.
(1) Eğitim aşaması
Görüntü önişleme: ışık gibi faktörlerin etkisinden kaçınmak için ışık normalleştirme, Gauss piramidi altörnekleme ve gürültü azaltma gibi işlemler;
Yama çıkarma: Her bir piramit katmanının CDAE ağını eğitmek için Yamayı Çıkarın;
Model eğitimi: eğitim yamasının yeniden yapılandırma kalıntısını piksel düzeyinde hata tahmini için bir dizin olarak kullanın;
Eşik belirleme: Kusurlu noktaları kusurlu olmayan noktalardan ayırt etmek için önemli bir parametredir.
(2) Model test aşaması:
Görüntü önişleme: yalnızca aydınlatma normalizasyonu ve Gauss piramidi altörnekleme işlemlerinin gerçekleştirilmesi gerekir;
Yama çıkarma: Doku tespiti için yama çıkarma;
Kalan harita yapısı: yerel alıcı alanı çıkarın ve her pikseli tahmin etmek için eğitimli modelde kaydırın;
Kusur bölütleme: her bir piramit katmanının artık görüntüsünü parçalara ayırın;
Sentez: Hata tespitinin sağlamlığını ve doğruluğunu iyileştirmek için birden fazla piramit düzeyinde bilgiyi birleştirin.
Makale, denetimsiz öğrenme ve çok modlu sonuç füzyon stratejilerinin tam olarak kullanılmasının hata tespitinin sağlamlığını ve doğruluğunu artırabileceğini analiz ve deneylerle kanıtlamıştır.
3.4 Çizik kusur tespiti
Çizik hata tespiti genellikle metal ürünlerin yüzey kusurlarının tespitinde kullanılır.Yaşam kalitesinin iyileştirilmesi ile kişiler ürünün görünüm bütünlüğü ve estetiği için gittikçe daha fazla gereksinim duymakta, bu nedenle ürünün görünümü doğru bir şekilde tespit edilmektedir. Üretim sürecinde işaret gibi kusurlar çok önemlidir.
Yukarıdaki şekilde gösterilen hata tespit mimarisini kullanarak, aşağıda tespit modülü tanıtılacaktır.
(1) CASAE mimarisi
İki otomatik kodlayıcı (AE) birlikte kademelendirilmiştir Buradaki AE yapısı FCN çerçevesinin migrasyon kullanımıdır. Evrişim, ters evrişim ve atlama bağlantılarının katmanlarından oluşur.Yapı aşağıdaki şekilde gösterilmiştir.
(1) Eşik modülü
Tahmin maskesinin sonuçlarını daha da iyileştirmek için CASAE ağının sonuna bağlanan bağımsız bir modül.
(2) Kusurlu alan tespiti
Anlambilimsel bölümleme yoluyla, tüm olası kusur alanları elde edilir ve doğru kusur konturlarını bulmak için damla analizi kullanılır ve son olarak, en küçük sınırlı dikdörtgen alan görüntüden çıkarılır.
Dört, özet
Bu makale en son literatüre atıfta bulunmakta ve bazı güncel ana akım hata tespit uygulama fikirlerini özetlemektedir. Genel olarak, derin öğrenmeye dayalı algoritmaların kullanımı, hızlı ve doğru bir şekilde hata tespiti sağlayabilir ve geniş bir uygulama yelpazesine sahiptir ve inşaat, metal ürün yazılımı ve kumaş ipek kumaş gibi birçok endüstrinin üretim sürecine esnek bir şekilde uygulanabilir.
Lei Feng
Referanslar:
Cha Y J ve diğerleri. Birden fazla hasar türünü tespit etmek için bölge tabanlı derin öğrenmeyi kullanan otonom yapısal görsel inceleme.Bilgisayar Destekli İnşaat ve Altyapı Mühendisliği, 2018.
Chen J ve diğerleri.Derin evrişimli sinir ağını kullanarak katener destek cihazındaki bağlantı elemanlarının otomatik kusur tespiti.Enstrümantasyon ve Ölçümde IEEE İşlemleri, 2017.
Mei S et al. Dokulu yüzeylerde otomatik hata denetimi için denetimsiz-öğrenmeye dayalı bir yaklaşım. Enstrümantasyon ve Ölçümde IEEE İşlemleri, 2018.
Mei S el al.Çok ölçekli evrişimli denoising otomatik kodlayıcı ağ modeli ile otomatik kumaş hatası algılama.Sensörler, 2018.
Tao X ve diğerleri. Otomatik metal yüzey kusur tespiti ve evrişimli sinir ağları ile tanıma. Uygulamalı Bilimler, 2018.
Lei Feng Ağı. Lei Feng Ağı.
