《Automatic Metallic Surface Defect Detection and Recognition with Convolutional Neural Networks》学习笔记

最新推荐文章于 2023-11-22 09:43:28 发布

原创

最新推荐文章于 2023-11-22 09:43:28 发布 · 1.4k 阅读

11 ·

CC 4.0 BY-SA版权

文章标签：

#计算机视觉

基于卷积神经网络的金属表面缺陷自动检测与识别：

·主要思想：

将缺陷检测与识别分类分开。首先通过级联自编码器(CASAE)分割和定位缺陷，生成预测Mask。然后扔进训练好的CNN网络进行分类

优点：

1.不错的鲁棒性和准确性
2.可以准确知道缺陷的位置和大小

大致架构：

在这里插入图片描述

·首先将输入的原始图像转换为基于CASAE的预测Mask。
·其次，阈值模块用于对预测结果进行二值化以获得准确的缺陷轮廓。
·第三，由缺陷区域检测器提取并裁剪被视为下一模块的输入的缺陷区域。
·最后，在分类模块中，这些缺陷区域通过紧凑的CNN分为特定类别。

CASAE

	AE网络被广泛用于信息编码和重建[37]。 通常，AE网络包括编码器网络和解码器网络，其由一个或多个解码器层块组成。 
编码器网络是一个变换单元，通过该变换单元，输入图像被转换为多维特征图像，以进行特征提取和表示。 
所获取的特征图中存在丰富的语义信息。 相反，解码器网络通过合并来自所有中间层中学习的特征图的上下文信息来微调像素级标签。 

	此外，解码器网络可以使用上采样操作将最终输出恢复为与输入图像相同的大小。使用编码器-解码器体系结构，将输入的缺陷图像转换为像素级的预测Mask。
在我们的CASAE中，新的图像分割架构基于两个AE网络的级联，这两个AE网络共享相同的结构。 从图2可以看出，第一网络的预测掩码用作第二网络的输入，并且在第二网络中执行像素标签的进一步微调。 
这样，后一个网络可以增强前一个网络的预测结果。

·该体系结构由一个编码器部分（右侧）和一个解码器部分（左侧）组成。解码器网络的结构类似于编码器网