使用自动编码器改善工业热图像中的视觉缺陷检测和定位
Sasha Behrouzi1, Marcel Dix2, Fatemeh Karampanah1
1Applied Data Science and Analytics, SRH University, 69123 Heidelberg, Germany.
Journal of imaging
|July 28, 2023
概括
结合异常分数可以改善热图中的缺陷检测. 这种方法通过使用平均平方误差 (MSE),结构相似度指数 (SSIM) 和内核密度估计 (KDE) 来提高分类准确性,特别是在受污染的培训数据中.
科学领域:
- 工业工程 工业工程 工业工程
- 计算机视觉 计算机视觉
- 机器学习 机器学习
背景情况:
- 在热图像中可靠的异常检测对于工业缺陷检测至关重要.
- 挑战来自图像序列的顺过渡,导致受污染的训练数据.
- 基于自动编码器的方法与轻微受污染的数据集和值确定作斗争.
研究的目的:
- 为了提高热图像数据集中的异常检测可靠性.
- 解决工业缺陷检测中受污染的培训数据所带来的挑战.
- 加强对健康和有缺陷的工业产品进行分类的门确定.
主要方法:
- 使用了在健康的热图像上训练的自编码器模型,具有平均平方误差 (MSE) 和结构相似度指数 (SSIM) 损失函数.
- 应用了三个异常分数来进行分类:MSE,SSIM和内核密度估计 (KDE).
- 引入了MSE+和SSIM+方法,包括基于SSIM的定量异常定位参数.
主要成果:
- 在热图数据集上实现的平均精度:MSE (95.33%),SSIM (88.37%) 和KDE (92.81%).
- 证明结合异常分数可以提高分类准确性.
- 展示了KDE的性能改进,特别是在受污染的健康训练数据方面.
结论:
- 结合异常分数可以有效地分离健康和缺陷数据,克服值确定方面的挑战.
- 拟议的方法提高了工业热成像中的异常检测可靠性.
- 当训练数据被污染时,核密度估计 (KDE) 证明是有益的.


