基于视觉的增强质量检查:用于缺陷检测的多视图人工智能框架

科学领域:

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

背景情况:

• 自动缺陷检测对于工业质量控制至关重要.
• 微妙的缺陷,如金属表面的划痕,构成重大检测挑战.
• 当前的单视图检查方法往往缺乏复杂缺陷识别所需的准确性.

研究的目的:

• 调查多视图深度学习对增强缺陷检测的有效性.
• 在多视图环境中比较早期和晚期融合方法.
• 提出和评估一种新的早期融合架构,MV-UNet,以提高准确性.

主要方法:

• 晚期融合和早期融合深度学习方法的实施和比较.
• 开发MV-UNet,这是一个早期的融合架构,使用转换块进行特征对齐和聚合.
• 在金属板数据集上的实验评估,与单视图检查进行比较.

主要成果:

• 早期和晚期融合方法都显示出与单视图检查相比,检测准确度有所提高.
• 拟议的MV-UNet实现了最高的F1得分0.942.
• 引入了适应的精度回忆指标,为基于细分的缺陷检测提供了更准确的评估,特别是对于长长的划痕.

结论:

• 多视图深度学习,特别是早期融合,为工业缺陷检测提供了显著的优势.
• MV-UNet为提高自动化质量控制系统的准确性提供了强大且可扩展的解决方案.
• 开发的量身定制指标改善了在具有挑战性的场景中评估缺陷定位性能.