自动光学检查与缺陷检测在工业领域的应用- 2020

本文是 自动光学检查与缺陷检测在工业领域的应用- 2020 的学习笔记。仅做学习使用。

自动光学检查与缺陷检测在工业领域的应用- 2020

缺陷检测流程：

一、数据准备

挑战：

1. 如何访问无法放入内存的大数据？

2. 如何预处理数据，并找到恰当特征？

提高网络有效性-> 预处理！！

这些App可以帮助我们在图形界面中调整算法的参数，查看算法效果，在完成算法设计后自动生成MATLAB代码。

第四个图是管状物体提取。

经过预处理后，缺陷在特征空间中的区分度很高（右图）

例子

电子扫描显微镜。

原始图片 -> 图像增强 -> 光滑 -> 锐化

3. 如何更快标注我的数据

手工一张张标注比较困难。MATLAB提供了很多自动化标注的App

使用算法进行标注。

Big Image Labeler支持手工标注、手工预处理，或应用算法进行自动化标注。

4. 数据集不平衡或者数据量不足，怎么办？

在这里插入图片描述

比如生成人脸：

二、算法建模

目标检测即分类 + 定位，难度更大。

1. 分类

一般使用迁移学习

从零开始训练

使用Deep Network Designer，从0开始搭建网络：

对预训练网络调优（迁移学习）

Deep Network Designer App同样支持迁移学习训练

训练好后需要进行测试，看看训练效果如何——即解释神经网络模型

类激活图(热力图)/梯度类激活图

从图中能够很清楚的知道，我们的网络学习到了正确的缺陷特征。

2. 目标检测

分类 + 定位

案例

YOLO 2检测

口罩检测：

Experiment Manager

当我们训练的时候，会尝试很多组不同的参数（超参），以前需要手动测试，然后从中挑选一个比较满意的算法，这样很耗时间，需要在一边等着出结果。但是MATLAB提供了一个App：Experiment Manager，你可以在里面设置不同的超参，比如学习率、步长等。设置好后，MATLAB会自动训练，点击进去可以看训练的具体细节。

三、部署

不用自己底层C!

1. FPGA

右边直接把代码部署到GPU上

2. ARM Cortex-A系列

3. 云端平台

总结

干货满满！建议去看一遍视频！

参考：https://www.bilibili.com/video/BV14z4y1r76i?from=search&seid=6298941722007385772