深度强化学习可以实现自适应图像增强,用于对工厂生的自动光学检查
Shiyong Wang1, Asad Khan2, Ying Lin1
1School of Mechanical and Automotive Engineering, South China University of Technology, Guangzhou, China.
Frontiers in plant science
|July 24, 2023
概括
本研究介绍了一种使用深度强化学习 (DRL) 的自适应图像增强方法,以增强自动化光学检查系统. DRL方法动态选择最佳增强策略,改善细分性能并确保产品质量.
科学领域:
- 计算机视觉 计算机视觉
- 机器学习 机器学习
- 人工智能的人工智能
背景情况:
- 自动光学检查 (AOI) 系统依赖于精确的图像分析.
- 对于AOI性能的深度学习模型可以通过不一致的图像增强来限制.
- 现有的单一图像增强方法缺乏适应多样化的图像特性.
研究的目的:
- 为基于深度学习的AOI系统开发适应性图像增强方案.
- 为了解决传统图像增强技术的性能变化问题.
- 提高AOI中缺陷检测的稳定性和准确性.
主要方法:
- 实施了深度强化学习 (DRL) 框架,特别是深度Q网络 (DQN) 算法.
- 提取的几何和像素指示器作为DRL代理的状态.
- 处理图像增强技术作为动作,由DeepLab-v3+细分模型产生的奖励.
主要成果:
- 拟议的自适应增强框架显著超过了个体增强方法.
- 与其他最先进的模型相比,实现了优越的语义细分性能.
- 在自动化光学检查任务中表现出更高的准确性和稳定性.
结论:
- 基于DRL的自适应图像增强方案为AOI提供了更有效的方法.
- 这一框架为制造业更可靠的质量控制提供了一条途径.
- 未来的工作应该调查该框架在不同工业领域的适用性.
