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)
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)
所以问题是:
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。

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:
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。
https://stackoverflow.com/questions/57988620
复制相似问题