doi: 10.17586/2226-1494-2024-24-6-972-981


УДК 004.855.5

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.


Читать статью полностью 
Язык статьи - английский

Ссылка для цитирования:
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 


Аннотация
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.

Ключевые слова: компьютерное зрение, обнаружение дефектов, обучение с нулевым количеством примеров, обнаружение объектов, сиамские сети

Список литературы
  1. Kamiya N., Zhou X., Chen H., Muramatsu C., Hara T., Fujita H. Model-based approach to recognize the rectus abdominis muscle in CT images // IEICE Transactions on Information and Systems. 2013. V. E96D. N 4. P. 869–871. https://doi.org/10.1587/transinf.e96.d.869
  2. Bai T., Gao J., Yang J., Yao D.A study on railway surface defects detection based on machine vision // Entropy. 2021. V. 23. N 11. P. 1437. https://doi.org/10.3390/e23111437
  3. Saberironaghi A., Ren J., El-Gindy M. Defect detection methods for industrial products using deep learning techniques: a review // Algorithms. 2023. V. 16. N 2. P. 95. https://doi.org/10.3390/a16020095
  4. Srividhya R., Shanmugapriya K., Sindhu Priya K. Automatic detection of surface defects in industrial materials based on image processing // International Journal of Engineering & Technology. 2018. V. 7. N 3.34. P. 61–64. https://doi.org/10.14419/ijet.v7i3.34.18717
  5. Guijo D., Onofre V., Del Bimbo G., Mugel S., Estepa D., De Carlos X., Adell A., Lojo A., Bilbao J., Orus R.Quantum artificial vision for defect detection in manufacturing // arXiv. 2022. arXiv:2208.04988. https://doi.org/10.48550/arXiv.2208.04988
  6. Prajwala N.B. Defect detection in pharma pills using image processing // International Journal of Engineering & Technology. 2018. V. 7. N 3.3. P. 102–106. https://doi.org/10.14419/ijet.v7i3.3.14497
  7. Liu W., Anguelov D., Erhan D., Szegedy C., Reed S., Fu C.-Y., Berg A.C.SSD: Single shot multibox detector // Lecture Notes in Computer Science.2016. V. 9905. P. 21–37. https://doi.org/10.1007/978-3-319-46448-0_2
  8. Bromley J., Guyon I., LeCun Y., Säckinger E., Shah R.Signature verification using a "Siamese" time delay neural network // Advances in Neural Information Processing Systems. 1993. V. 6.
  9. Song K.-C., Hu S., Yan Y. Automatic recognition of surface defects on hot-rolled steel strip using scattering convolution network // Journal of Computational Information Systems. 2014. V. 10. N 7. P. 3049–3055.
  10. Kodytek P., Bodzas A., Bilik P. Supporting data for Deep Learning and Machine Vision based approaches for automated wood defect detection and quality control // Zenodo. 2015 [Электронный ресурс]. URL: https://zenodo.org/records/4694695 (дата обращения: 30.10.2024)
  11. Bergmann P., Batzner K., Fauser M., Sattlegger D., Steger C. The MVTec anomaly detection dataset: a comprehensive real-world dataset for unsupervised anomaly detection // International Journal of Computer Vision. 2021. V. 129. N 4. P. 1038–1059. https://doi.org/10.1007/s11263-020-01400-4
  12. Nagy A.M., Czúni L. Detecting object defects with fusioning convolutional siamese neural networks // Proc. of the 16th International Joint Conference on Computer Vision, Imaging and Computer Graphics Theory and Applications (VISAPP). V. 5. 2021. P. 157–163. https://doi.org/10.5220/0010263301570163
  13. Karmakar S.,Banerjee A., Gidde P., Saurav S., Singh S. Convolutional ensembling based few-shot defect detection technique // Proc. of the Thirteenth Indian Conference on Computer Vision, Graphics and Image Processing (ICVGIP '22). 2022. P. 1–7. https://doi.org/10.1145/3571600.3571607
  14. Lv Q., Song Y. Few-shot learning combine attention mechanism-based defect detection in bar surface // ISIJ International. 2019. V. 59. N 6. P. 1089–1097. https://doi.org/10.2355/isijinternational.isijint-2018-722
  15. Schlagenhauf T., Yildirim F., Brückner B. Siamese basis function networks for data-efficient defect classification in technical domains // Lecture Notes in Computer Science. 2023. V. 13765. P. 71–92. https://doi.org/10.1007/978-3-031-26236-4_7
  16. Nagy A.M., Czúni L. Classification and fast few-shot learning of steel surface defects with randomized network // Applied Sciences. 2022. V. 12. N 8. P. 3967. https://doi.org/10.3390/app12083967
  17. Cao Y., Xu X., Sun C., Cheng Y., Du Z., Gao L., Shen W.Segment any anomaly without training via hybrid prompt regularization // arXiv. 2023. arXiv:2305.10724. https://doi.org/10.48550/arXiv.2305.10724


Creative Commons License

This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License
Информация 2001-2025 ©
Научно-технический вестник информационных технологий, механики и оптики.
Все права защищены.

Яндекс.Метрика