在包装缺陷检查中处理图像模糊的时间质量合集技术
Guk-Jin Son1,2, Hee-Chul Jung2, Young-Duk Kim1
1ICT Research Institute, Daegu Gyeongbuk Institute of Science and Technology, Daegu 42988, Republic of Korea.
Sensors (Basel, Switzerland)
|July 27, 2024
概括
一种新的时间质量组合 (TQE) 方法提高了包装缺陷检查的准确性,特别是低质量的图像. 这种深度学习技术通过根据质量和时间对图像进行加权来提高可靠性.
科学领域:
- 计算机科学 计算机科学
- 人工智能的人工智能
- 机器学习 机器学习
背景情况:
- 深度学习在表面缺陷检查方面表现出色,但在包装缺陷方面扎,特别是成分清单验证.
- 现有的方法主要集中在高质量的图像上,忽视了低质量或模糊图像中的缺陷检测.
研究的目的:
- 开发一种先进的推断技术,用于强大的包装缺陷检查,特别是解决低质量的图像所带来的挑战.
- 在涉及模糊或低于最佳图像数据的场景中提高缺陷检测的准确性和可靠性.
主要方法:
- 提出了一种新的时间质量整体 (TQE) 推断技术,将时间和质量权重策略结合起来.
- 时间权重考虑图像采集时间,而质量权重优先考虑高分辨率,清晰的图像.
- 通过使用各种卷积神经网络 (CNN) 评估TQE的一般适用性,例如ResNet-34,EfficientNet和ShuffleNetV2作为骨干网络.
主要成果:
- 该TQE方法显著提高了F1分数在缺陷检查任务,涉及至少一个低质量的图像.
- 与单个CNN模型相比,TQE获得了17.64%至22.41%的F1得分.
- 在F1评分中,TQE的表现优于平均投票组合的1.86%至2.06%.
结论:
- 时间质量组合 (TQE) 为包装缺陷检查提供了显著的改进,特别是在处理不完善的图像数据时.
- 在现实工业环境中,TQE提高了基于深度学习的缺陷检测系统的准确性和可靠性.
- 这种技术为质量控制提供了更强大的解决方案,确保像成分清单这样的关键信息即使在图像质量变化中也能得到准确的检查.
