Новгородцев Н.П. и др.
Обнаружение дефектов твердых поверхностей при ограниченном объеме данных на основе SSD-детектора и сиамских сетей 

Новгородцев Н.П., Батурина К.А., Ефимова В.А., Шалыто А.А. Обнаружение дефектов твердых поверхностей при ограниченном объеме данных на основе SSD-детектора и сиамских сетей // Научно-технический вестник информационных технологий, механики и оптики. 2024. Т. 24, № 6. С. 972–981 (на англ. яз.). doi: 10.17586/2226-1494-2024-24-6-972-981 

Введение. Представлен алгоритм решения задачи обнаружения дефектов твердых поверхностей при обучении на нулевом или малом числе примеров, который решает проблему ограниченного объема данных. Усовершенствуется существующая методология обнаружения дефектов методом с использованием машинного зрения. Метод. Предложен гибридный подход, сочетающий преимущества SSD-детектора и сиамских нейронных сетей. SSD-детектор позволяет извлекать векторные представления признаков из изображений, а сиамские нейронные сети применяются для построения пространства извлеченных признаков. Основные результаты. Показано, что новый подход обладает высокой точностью как на известных, так и на не встречавшихся ранее в обучающей выборке дефектах. По результатам тестирования на 7 различных наборах данных представленный алгоритм продемонстрировал хорошие возможности в сценариях с ограниченным числом примеров для обучения. Обсуждение. Сравнительный анализ с существующими моделями показал высокую производительность предлагаемого алгоритма и его потенциал как инновационного и эффективного решения задач универсального обнаружения дефектов твердых поверхностей.Введение. Представлен алгоритм решения задачи обнаружения дефектов твердых поверхностей при обучении на нулевом или малом числе примеров, который решает проблему ограниченного объема данных. Усовершенствуется существующая методология обнаружения дефектов методом с использованием машинного зрения. Метод. Предложен гибридный подход, сочетающий преимущества SSD-детектора и сиамских нейронных сетей. SSD-детектор позволяет извлекать векторные представления признаков из изображений, а сиамские нейронные сети применяются для построения пространства извлеченных признаков. Основные результаты. Показано, что новый подход обладает высокой точностью как на известных, так и на не встречавшихся ранее в обучающей выборке дефектах. По результатам тестирования на 7 различных наборах данных представленный алгоритм продемонстрировал хорошие возможности в сценариях с ограниченным числом примеров для обучения. Обсуждение. Сравнительный анализ с существующими моделями показал высокую производительность предлагаемого алгоритма и его потенциал как инновационного и эффективного решения задач универсального обнаружения дефектов твердых поверхностей.

This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License