缺陷检测
深视
这个作者很懒,什么都没留下…
展开
-
论文阅读笔记《A new graph-based semi-supervised method for surface defect classification》
核心思想 本文提出一种基于图神经网络的半监督表面缺陷分类方法(MMGCN),缺陷分类问题由于缺少大规模带有标签的数据集,因此有监督学习方法不容易训练,半监督或无监督的方式更适用于这一任务。另一方面由于类间相似性和类内差异性导致的较差类分离(poor class separation)问题,使得分类任务变得更加困难,而图神经网络(GCN)能够很好的表征类别之间的关系和类内样本之间的关系,能够改善类分离的问题。但常规的GCN还存在一个问题就是计算复杂度比较大,因为要构建一张大图,其中每个节点都表示一个样本,原创 2020-11-07 11:56:07 · 779 阅读 · 1 评论 -
论文阅读笔记《A weak supervision machine vision detection method based on artificial defect simulation》
核心思想 本文提出一种弱监督的缺陷检测方法,并且提出一种人工缺陷合成方法,能够解决缺少缺陷样本的问题。本文将缺陷分为了线形缺陷和块状缺陷两种形式,顾名思义线形缺陷就是类似划痕、条状的缺陷(如图a,b),块状缺陷就是一团一团的那种缺陷(如图c,d)。 线形缺陷合成过程可以分为以下几步:首先通过随机游走算法生成缺陷的骨架,其次将骨架转化为连通区域,并且对连通区域做膨胀计算。然后根据高斯分布生成缺陷区域的灰度值,最后将缺陷区域和原始图像融合起来,过程如下图所示1. 生成骨架 骨架是通过随机游走的原创 2020-11-04 17:04:00 · 516 阅读 · 0 评论 -
论文阅读笔记《GANomaly: Semi-Supervised Anomaly Detection via Adversarial Training》
核心思想 本文提出一种基于半监督GAN的异常检测算法,主要的创新点在于在自动编码器之后,又增加了一个编码器,构成了“编码-解码-编码”的结构,通过比较第二个编码器的输出和第一个编码器的输出之间的差别,来评估输入图像是否属于异常图像。网络的训练过程同样也引入了对抗训练的思想,即使用一个区分器对解码器输出的重构图像进行判断,是来自原始图像还是重构图像,整个网络的结构如下图所示 整个网络可以分为三个子模块:自动编码器模块(GE,GDG_E,G_DGE,GD),编码器模块(EEE)和区分器模块(DDD原创 2020-11-03 16:38:56 · 2460 阅读 · 0 评论 -
论文阅读笔记《Unsupervised fabric defect detection based on a deep convolutional GAN》
核心思想 本文提出一种基于DCGAN的无监督纺织物缺陷检测算法,本文还是延续了利用DCGAN根据缺陷图像重构无缺陷的图像样本,然后再寻找重构图像和缺陷图像之间的差别,差别超过阈值的判定为缺陷像素,但在实现的细节上还是有很多的创新,本文的训练和测试流程如下图所示 图(a)展示了训练过程,首先是对DCGAN网络进行训练,生成器GGG输入的是一维的噪声向量,输出的是32*32大小的图块x′x'x′,辨别器输入的是真实采样的图块xxx或者合成图块x′x'x′,输出是该图块属于真实采样图块的概率。然后在此基原创 2020-11-02 16:32:51 · 2201 阅读 · 7 评论 -
论文阅读笔记《Surface defect classification of steels with a new semi-supervised learning method》
核心思想 本文提出一种基于半监督学习的钢铁表面缺陷检测算法(CAE-SGAN),核心思想是将卷积自编码器(CAE)和对抗生成网络(GAN)结合起来,先用无标签样本对CAE进行无监督训练,使CAE具备初步特征提取能力,然后引入一个GAN网络,并把CAE的编码器部分改造成GAN的区分器,使用带有标签的样本对其训练。CAE的结构如下图所示 CAE结构还是比较常规,包含编码器和解码器两个部分实现过程网络结构 损失函数 训练策略 算法推广 创新点算法评价 如果大家对于深度原创 2020-10-30 18:04:18 · 1240 阅读 · 6 评论 -
论文阅读笔记《A High-Efficiency Fully Convolutional Networks for Pixel-Wise Surface Defect Detection》
核心思想 本文提出一种基于全卷积神经网络的表面缺陷检测方法,整个算法分成三个任务阶段:分割阶段,检测阶段和修边阶段(Matting Stage)。分割阶段就是用一个全卷积神经网络(FCN)输出缺陷区域的分割图,对缺陷区域进行像素级别的分割。检测阶段是对分割结果进行更精细的修正,因为有些区域被误判为缺陷,需要重新对其进行分类。修边阶段就是对预测结果的边缘进行修整,使其反映出真实的缺陷区域。整个算法的流程如图所示 首先,经过FCN得到初步的曲线区域分割图,对每个像素点进行预测,将缺陷概率大于阈值的点标原创 2020-10-28 15:07:59 · 937 阅读 · 0 评论 -
论文阅读笔记《Anomaly Detection in Nanofibrous Materials by CNN-Based Self-Similarity》
核心思想 本文提出一种基于自相似度的异常检测方法,核心思想在于正常样本图像之间的相似性更大,而缺陷样本和正常样本之间的相似性更小,如果某个样本与正常样本之间的最小距离都超过一个阈值时,就判定为异常样本。首先利用一个在ImageNet数据集上预训练好的特征提取网络对正常样本进行特征提取,然后对特征向量进行PCA降维,降维后再进行K-means聚类,每个类别中距离聚类中心最近的样本就作为这个类别的代表,所有类别代表构成一个正常样本字典。然后测试时用测试样本分别计算与字典中所有类别代表之间的欧氏距离,并计算其原创 2020-10-27 11:56:28 · 945 阅读 · 0 评论 -
论文阅读笔记《Supervised machine learning based surface inspection by synthetizing artificial defects》
核心思想 本文提出一种人工合成缺陷的方法,可用于表面缺陷检测的数据集扩充。为了解决缺陷检测领域中,有缺陷样本数量较少,无法对深度学习网络进行充分训练的问题,本文提出了一种人工合成缺陷的方法。整个合成流程主要包含四个步骤:1.生成骨架,2.纹理生成,3.对无缺陷图像的修改,4.缺陷可视化程度的分析。 首先,采用一种随机游走的方式来生成一个二维的缺陷图像骨架或者说轮廓,从图中的一个随机坐标点出发,以sss为步长,沿随机的方向移动lll步,就得到一个轮廓形状。具体的计算过程如下其中x(i),y(i)x原创 2020-10-26 16:59:53 · 376 阅读 · 0 评论 -
论文阅读笔记《A Surface Defect Detection Method Based on Positive Samples》
小样本学习&元学习经典论文整理||持续更新核心思想 本文提出一种基于正向样本的表面缺陷检测算法,基本思路是将自动编码器和GAN网络结合起来形成一种特别的图像复原网络,输入带有缺陷的图像,输出去除缺陷的复原图像,然后分别计算复原图像和缺陷图像LBP特征值,再求二者之间的差值,差值大的部分即为缺陷位置。然而本文说的是只依赖正向样本(无缺陷样本),哪里来的缺陷图像呢?这就需要通过人工的方式(PS)制作一部分缺陷图像出来了,算法的处理流程如下图所示 由于带有缺陷的样本图像很难收集,因此作者提出通原创 2020-10-24 11:21:02 · 2070 阅读 · 14 评论 -
论文阅读笔记《A semi-supervised CNN based method for steel surface defect recognition》
核心思想 本文提出一种半监督的钢铁表面缺陷检测方法(PLCNN),半监督的思路也比较常见,利用CNN对无标签样本进行预测,输出伪标签(Pseudo-Label),并将带有伪标签的样本作为训练样本对网络进行进一步训练。 网络结构的设计也没有什么特别之处,唯一有点新意的地方可能就是损失函数的设计了。实现过程网络结构 损失函数 损失函数包含有标签损失和无标签损失两个部分,两个部分均采用交叉熵损失函数其中最主要的就是平衡参数α\alphaα的选择,训练前期伪标签样本并不可靠,所以α\a原创 2020-10-22 20:31:53 · 745 阅读 · 5 评论 -
论文阅读笔记《Deep Active Learning for Civil Infrastructure Defect Detection and Classification》
小样本学习&元学习经典论文整理||持续更新核心思想 本文提出一种基于主动学习的民用设施缺陷检测方法,其思路主要是考虑到在样本较少的情况下,训练得到的网络可能不能很好的对各种类型的缺陷都进行准确的检测,但它仍然具备对于大部分简单缺陷的识别能力。如果让人类专家对所有的样本图像都进行人工标记,那无疑是工作量庞大的,但如果只对部分网络识别困难或者网络不太确定的样本进行人工标记,然后作为新的训练样本对网络进行重训练,这样就能不断提高网络的识别能力了,本文算法的流程如下图所示 首先,深度学习网络利用原创 2020-10-21 17:15:39 · 675 阅读 · 0 评论 -
论文阅读笔记《Convolutional Neural Networks for Steel Surface Defect Detection from Photometric Stereo》
小样本学习&元学习经典论文整理||持续更新核心思想 本文提出一种使用光度立体图像(Photometric Stereo Images)对钢轨表面缺陷进行检测的方法,关于光度立体图像我没找到特别详细的介绍,大体的概念是被拍摄的物体保持不动,光源会移动到多个位置,分别拍摄照片。根据图像中高光部分和阴影部分的变化,来获取物体的3D信息。但本文构建的图像采集装置似乎不是这样实现的,该装置的示意图如下图所示 首先在暗场环境下(没有其他光源),分别用两个光源(蓝色和红色)从两个方向去照射样本,只有在原创 2020-10-20 19:24:26 · 396 阅读 · 1 评论 -
论文阅读笔记《Automatic Metallic Surface Defect Detection and Recognition with Convolutional Neural Networ》
核心思想 本文提出一种能够对缺陷进行像素级分割和分类的算法,整个网络可以分成两个阶段:缺陷检测阶段和缺陷分类阶段。在缺陷检测阶段,作者设计了一个级联的自动编码器(CASAE),利用编码器对正常区域和缺陷区域的响应不同,通过阈值分割的方式实现缺陷区域的像素级定位。然后把缺陷区域裁剪出来得到大小不一的图块,将图块输入到缺陷分类网络,最终输出缺陷的类别。整个算法的流程如下图所示 如图所示CASAE模块是两个AE模块级联起来得到的,前一个AE模块输出的掩码图作为第二个模块的输入,AE模块的网络结构如下图所原创 2020-10-19 17:27:24 · 1818 阅读 · 5 评论 -
论文阅读笔记《Segmentation-based deep-learning approach for surface-defect detection》
核心思想 本文提出一种基于分割的表面缺陷检测算法,作者通过对网络结构的精心设计,能够仅利用30张带有标签的缺陷样本实现对网络的有效训练,实现了超过商业软件的检测效果。整个网络分成分割网络(Segmentation network)和判断网络(Decision network)两个部分,分割网络就是输出一个二元的分割图,将缺陷区域标记出来;判断网络就是根据分割网络的结果对该区域是否存在缺陷进行判断。网络结构如下图所示 如图所示,在分割网络中,输入图像经过多组卷积进行特征提取,并且每两个卷积组之间都有原创 2020-10-17 20:29:55 · 1348 阅读 · 0 评论 -
论文阅读笔记《Automatic Fabric Defect Detection with a Multi-Scale Convolutional Denoising Autoencoder Net》
核心思想 本文提出一种多尺度卷积去噪自动编码器网络(MSCDAE)实现了对布匹纺织物缺陷的无监督检测,算法的思路其实并不复杂,作者使用正样本对卷积自动编码器(CAE)进行训练,使得其具备提取织物特征并重构织物图像的能力。当带有缺陷的样本输入到网络中时,由于缺陷处的特征与正常织物的特征不同,因此CAE并不能够重构缺陷处的图像,重构后的图像缺陷处将将重构后的图像与原始图像做差,缺陷处的差异会明显大于正常区域的差异,这就能够实现对缺陷的检测了。整个训练和测试过程如下图所示 本文提出的算法称为MSCDAE原创 2020-10-14 17:04:15 · 2957 阅读 · 11 评论