首页
学习
活动
专区
圈层
工具
发布
社区首页 >问答首页 >如何更好地对图像进行预处理,以获得更好的深度学习效果?

问如何更好地对图像进行预处理,以获得更好的深度学习效果?
EN

Stack Overflow用户
提问于 2019-09-18 08:45:12
回答 1查看 165关注 0票数 0

我们正在试验应用卷积神经网络对有缺陷的表面和表面进行分类。

好的和坏的图像主要如下所示:

好的:

​

​

不好的:

​

​

图像相对较大(高度:800像素,宽度: 500像素)相对于图像的缺陷很小,局部的pattern)

  • There和小的相对于图像

H 113,背景是很深的学习(6x conv+pooling ->平坦-> dense32 64-> dense32)结果非常糟糕(可能是由于有限的坏样本和很小的缺陷pattern)

  • There是其他缺陷模式,如非常<代码>E 120细微<代码>E 221划痕、残渣和污渍等)。这也是我们希望使用深度学习而不是特定特性的主要原因之一,engineering.

  • We能够并且愿意积累更多的缺陷图像。

所以问题是:

  1. 是一种深入学习的工具,在实践中甚至是一种合适的缺陷检测工具。
  2. 如果是的话,我们如何适应或预处理图像的格式,深入学习模型可以真正使用。(我们能应用一些已知的滤波器来降低背景的噪音吗?)如果不是,
  3. ,除了深层模型之外,还有其他实用技术可以使用。像模板匹配之类的东西真的适合这类问题吗?

更新:非常好的想法,提出一个明确的圆形条纹检查。它可以直接用于检查模式被干扰的位置,或者用作深度学习的预处理步骤。

更新:一个更微妙的模式‘划痕’。从风扇区域底部开始有一个划痕在上升,稍微向右一点。

​

​

EN

回答 1

Stack Overflow用户

回答已采纳

发布于 2019-09-29 20:02:55

是深入学习,甚至是一个适当的工具,这样的缺陷检测在实践中。

深入学习当然是一种有可能普及的可能性。一般来说,这应该是最后的手段,而不是第一种办法。缺点包括:

  • 很难包含先验知识。因此,
  • 需要极大数量的数据来训练一般情况下的分类器。
  • 如果成功,则模型是不透明的。这可能取决于微妙的特性,如果制造过程发生了微小的变化,并且没有简单的方法来修复它,那么它就会失败。

如果是的话,我们如何适应或预处理图像的格式,深入学习模型可以真正工作。(我们能不能用一些已知的滤波器来减少背景的噪音?)

独立于最终决定使用的分类器,预处理应该是最优的。

Illumination:照明不均匀。我建议定义一个感兴趣的区域,那里的光照足够明亮,可以看到一些东西。我建议计算许多图像上的平均亮度,并使用它来规范亮度。其结果将是一个图像裁剪到感兴趣的区域,那里的照明是均匀的。

圆形条纹:在所显示的图像中,由于条纹是圆形的,它们的方向取决于图像中的位置。我建议使用一个转换,它将感兴趣的区域(圆圈的分数)转换为梯形,其中每个条纹是水平的,每个条纹的长度被保留。

如果不是

,那么除了深层模型之外,还有哪些其他实用技术可以使用。像模板匹配之类的东西真的适合这种类型的问题吗?

而不是识别缺陷,您可以尝试识别完整的结构,它具有相对恒定的属性。(这将是我在评论中建议的圆形条纹检查器)。在这里,一个显而易见的东西将测试将是一个2D傅立叶变换在每个像素内的图像预处理,如上文所述。如果条纹是完整的,你应该看到强度变化的频率在水平方向远低于垂直方向。我只需绘制这两个量的许多“好”和“坏”像素,并检查,这是否可能已经允许一些分类。

如果您可以预选该方法可能的缺陷,那么您就可以裁剪出一个小图像,并对其进行深入学习或其他您想要使用的方法。

票数 0
EN
页面原文内容由Stack Overflow提供。腾讯云小微IT领域专用引擎提供翻译支持
原文链接:

https://stackoverflow.com/questions/57988620

复制
相关文章

相似问题

领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档