使用统计特征提取和囊网络架构进行强大的工业表面缺陷检测

科学领域:

• 材料科学与工程 材料科学与工程
• 计算机科学 计算机科学
• 人工智能的人工智能

背景情况:

• 自动化质量控制对于制造金属造部件至关重要.
• 快速准确地检测表面缺陷是这个领域的一个关键挑战.
• 传统方法往往缺乏现代工业需求所需的速度和精度.

研究的目的:

• 评估经典的机器学习 (ML) 算法和深度学习 (DL) 架构,用于金属件的自动表面缺陷检测.
• 为了比较ML模型使用统计参数与DL模型使用图像输入的性能.
• 通过处理时间测量来评估实时应用的潜力.

主要方法:

• 评估的ML算法 (随机森林,梯度提升,K-最近邻居,SVM) 提取了统计参数.
• 评估了DL架构,包括ResNet50,囊网络 (ConvCapsuleLayer) 和一个3D卷积神经网络 (CNN3D).
• 利用原始和扩展数据集,使用重复的火车测试分割来进行可靠的指标计算 (准确性,精度,回忆,F1分数).

主要成果:

• 像Random Forest这样的ML模型在原始数据集上实现了高性能 (例如99.4%的精度和灵敏度).
• 基于囊的架构表现出卓越的结果,ConvCapsuleLayer达到98.7%的准确性和100%的准确性.
• 所有评估的模型都表现出非常低的每图像处理时间,这表明它们适合实时应用.

结论:

• 将统计描述符与ML和DL架构相结合,为自动化,非破坏性的表面缺陷检测提供了强大的和可扩展的解决方案.
• 评估的方法在不同数据集中显示出高精度和可靠性.
• 这些发现支持这些先进技术的实施,以实现有效的工业质量控制.