优化自动化光学检查:一种自适应的融合和半监督的自我学习方法,用于在稀缺标记数据的场景中提高准确性和效率

科学领域:

• 计算机视觉 计算机视觉
• 机器学习 机器学习
• 工业自动化 工业自动化

背景情况:

• 自动光学检查 (AOI) 系统需要高的对象检测准确度来识别缺陷.
• 传统的方法往往依赖于广泛的注释数据集,这些数据集的获取是昂贵和耗时的.
• 有限的标记数据对开发强大的AOI模型构成重大挑战.

研究的目的:

• 开发创新策略,以提高AOI中的对象检测精度.
• 减少对大型注释数据集的依赖,以训练缺陷检测模型.
• 为AOI提出和评估一种新的半监督学习方法.

主要方法:

• 使用32个类别的3579张图像数据集开发缺陷检测模型.
• 实施数据增强和注释精细化技术.
• 关于自适应融合半监督自学 (AFSL) 方法的建议,该方法包含一个界限框分配器,自适应训练计划器和数据分配器.

主要成果:

• 通过AFSL方法,COCO数据集的平均精度从43.5%提高到57.1%.
• 在特定的AOI数据集上观察到mAP的2.6%改善.
• 该方法在使用最小标记数据的AOI数据集上展示了增强的性能.

结论:

• AFSL方法有效地提高了AOI中的对象检测准确性.
• 半监督学习方法,如AFSL,对于克服AOI中的数据限制是可行的.
• 拟议的方法为工业应用中的缺陷检测提供了更有效,更精确的解决方案.