Utilizzando l'ISU

Rapporti scientifici volume 12, numero articolo: 11604 (2022) Citare questo articolo

1991 Accessi

2 citazioni

Dettagli sulle metriche

Il rilevamento dei difetti superficiali è un processo vitale nella produzione industriale e una direzione di ricerca significativa nella visione artificiale. Sebbene gli attuali metodi di rilevamento dei difetti di deep learning basati sulla visione artificiale possano raggiungere un'elevata precisione di rilevamento, si basano principalmente sull'apprendimento supervisionato. Richiedono molti campioni di difetti per addestrare il modello, il che non è compatibile con la situazione attuale secondo cui i campioni di difetti industriali sono difficili da ottenere e costosi da etichettare. Pertanto proponiamo un nuovo modello ISU-GAN per il rilevamento di difetti di piccoli campioni senza supervisione, basato sull'architettura CycleGAN. Una connessione di salto, un modulo SE e un modulo Involuzione vengono aggiunti al generatore, consentendo di migliorare significativamente la capacità di estrazione delle caratteristiche del modello. Inoltre, proponiamo un metodo di segmentazione dei difetti basato su SSIM che si applica al rilevamento dei difetti basato su GAN e può estrarre accuratamente i contorni dei difetti senza la necessità di una post-elaborazione ridondante di riduzione del rumore. Gli esperimenti sul set di dati DAGM2007 mostrano che l'ISU-GAN senza supervisione può ottenere una maggiore precisione di rilevamento e profili di difetti più fini con meno di 1/3 dei dati di addestramento senza etichetta rispetto al modello supervisionato con il set di addestramento completo. Rispetto ai modelli di segmentazione supervisionati UNet e ResUNet++ con più campioni di addestramento, il nostro modello migliora l'accuratezza del rilevamento rispettivamente del 2,84% e dello 0,41% e il punteggio F1 rispettivamente di 0,025 e 0,0012. Inoltre, il profilo previsto ottenuto utilizzando il nostro metodo è più vicino al profilo reale rispetto ad altri modelli utilizzati per il confronto.

I prodotti possono presentare difetti superficiali nell'effettivo processo di produzione industriale a causa di errori della macchina, errori dei lavoratori e problemi del processo di produzione. I difetti superficiali non influiscono solo sull'estetica e sulle prestazioni del prodotto, con conseguente minore soddisfazione dell'utente, ma possono anche rappresentare un pericolo per la sicurezza, mettendo a rischio la vita e la proprietà dell'utente. Pertanto, il rilevamento dei difetti superficiali è una parte essenziale della produzione industriale.

Per molto tempo, il processo di difettosità della superficie industriale si è basato sul lavoro manuale, che non solo è dispendioso in termini di tempo e lavoro, ma anche molto soggettivo, e non è in grado di soddisfare le esigenze della produzione industriale con elevata efficienza e precisione. Pertanto, la tecnologia di rilevamento automatizzato dei difetti basata sulla visione artificiale è stata una direzione di ricerca più popolare. Attualmente, i metodi automatizzati di rilevamento dei difetti basati sulla visione artificiale includono principalmente metodi tradizionali e metodi di deep learning.

I metodi tradizionali si basano sulle informazioni strutturali dell'immagine per rilevare i difetti. Di solito richiede sforzi umani per progettare l'algoritmo di rilevamento corrispondente in base alle caratteristiche del difetto e allo scenario applicativo reale. Gli attuali metodi tradizionali di rilevamento dei difetti basati sulla visione artificiale includono principalmente il filtraggio Gabor1, l'algoritmo migliorato del modello binario locale (MB-LBP)2, l'algoritmo Sobel migliorato3, ecc. La maggior parte dei metodi di visione tradizionali si basa fortemente su caratteristiche specifiche del difetto e sono difficili da ottenere end-to -rilevamento della fine. Il tempo e il costo economico della progettazione manuale di diversi algoritmi di ispezione per diversi difetti sono molto elevati e richiedono un gran numero di persone con una forte esperienza, il che rende difficile soddisfare i requisiti di efficienza e costi della produzione industriale. Inoltre, in pratica, gli algoritmi di rilevamento basati sulle caratteristiche dei difetti visti dall'occhio umano sono suscettibili alle interferenze derivanti dai cambiamenti nell'ambiente esterno, rendendo difficile ottenere una robustezza soddisfacente.

Con l’avvento del deep learning, vari algoritmi basati su Reti Neurali Convoluzionali (CNN) hanno ottenuto risultati sorprendenti in molti sottocampi della visione artificiale. Rispetto ai tradizionali metodi di rilevamento dei difetti, i metodi di deep learning eliminano per lo più la necessità di modellare manualmente le caratteristiche dei difetti e consentire il rilevamento end-to-end. Presentano inoltre i vantaggi di un'elevata precisione di rilevamento, convergenza rapida e robustezza.