0
  • 聊天消息
  • 系统消息
  • 评论与回复
登录后你可以
  • 下载海量资料
  • 学习在线课程
  • 观看技术视频
  • 写文章/发帖/加入社区
会员中心
创作中心

完善资料让更多小伙伴认识你,还能领取20积分哦,立即完善>

3天内不再提示

描绘未知:数据缺乏场景的缺陷检测方案

Hophotonix 来源:Hophotonix 作者:Hophotonix 2024-01-25 10:46 次阅读

了解更多方案细节,欢迎您访问官网(Neurocle | 友思特 机器视觉 光电检测

导读

深度学习模型帮助工业生产实现更加精确的缺陷检测,但其准确性可能受制于数据样本的数量。友思特 Neuro-T 视觉平台克服了数据缺乏状况的困难,通过零代码设置GAN模型无监督学习模型,轻松实现缺陷图像的标注、绘制和导出。

工业应用中存在较多的缺陷检测需求。针对缺陷检测需求,常见的解决方案有两种:

基于目标正常图像数据的模板匹配;

训练深度学习模型检测目标缺陷。

其中,第2种方式具有更强的鲁棒性和泛化能力。然而由于深度学习模型的准确率跟数据量的大小挂钩,深度学习缺陷检测方案面临着缺乏足够的缺陷样本进行模型训练的问题。

友思特推出 Neuro-T 机器视觉软件平台,通过GAN无监督学习模型两种不同的手段,以两种不同的方式形成数据缺乏场景的缺陷检测方案

友思特Neuro-T支持的深度学习模型类型

友思特 Neuro-T 支持八种不同的深度学习模型。

其中,GAN通过少量缺陷样本,训练缺陷生成模型并生成大量缺陷图像,从而解决缺陷数据缺乏的问题;无监督学习模型中的异常分类异常分割,只需用大量正常的图像数据和少量的缺陷图像进行训练,即可输出检测异常图像的深度学习模型。

有监督学习模型

模型训练数据包括输入图像的特征标签/目标值

训练过程中,模型尝试通过特征和标签之间的联系来学习如何预测/分类。

无监督学习模型

模型训练数据只包含输入图像的特征,无标签/目标值;

模型尝试发现数据中的模型或特征关系,而非预测特定的输出。

监督学习
分类 wKgaomWxyOeAJUmTAAKTpU524Fk585.png 将图像分类成不同的类别或OK/NG组别
实例分割 wKgaomWxyRGAORomAAFBlmvWP1s397.png 分析图像中检测到的物体形状并圈选
目标检测 wKgZomWxyReALB1lAAHR-QF1UnU501.png 检测图像中物体的类别、数量并定位
OCR 字符识别 wKgaomWxyR2AKcKHAAKeVX74zno767.png 检测和识别图像中的字母、数字或符号
旋转 wKgZomWxySGASFXeAAICzbMRsKI867.png 旋转图像至合适的方位
GAN 对抗生成网络 wKgZomWxySmATirvAAL1i2K6edU900.png 学习图像中的缺陷区域并生成虚拟缺陷
无监督学习
异常分类 wKgaomWxyS2AUfzpAALVWdQSRew792.png 在大量正常图像和少量缺陷图像上训练以检测异常图像进行分类
异常分割 wKgaomWxyTCAdRc6AAKt022fhxM317.png 在大量正常图像和少量缺陷图像上训练以检测异常图像并定位缺陷位置

GAN模型

生成对抗网络 (Generative Adversarial Network, GAN)是一种深度学习模型,由生成器(Generator) 和判别器(Discriminator) 组成。

生成器网络以随机噪声为输入,通过层层映射和转换逐渐生成逼真的数据样本。判别器网络则被训练用于区分生成器产生的样本与真实样本。两部分通过对抗训练的方式相互博弈,学习数据的分布,使得生成器可以生成逼真的数据样本,而判别器则可以对真实样本和生成的样本进行有效区分。

生成器的目标是最大化判别器无法区分生成样本和真实样本的概率。而判别器的目标是最小化其错误率,即尽可能准确地区分生成样本和真实样本。通过反复迭代优化,生成器和判别器逐渐互相提高,并最终达到一种动态平衡状态。

GAN模型广泛应用于文本、图像、音视频数据生成等场景。

Neuro-T GAN模型生成缺陷图像操作步骤

01 训练GAN模型

1.1.1 新建项目

wKgZomWxyliAfSVAAARNPe9u7j4283.png

1.1.2 新建数据集

wKgaomWxymSAS5OOAALEoTF7nDI763.png

1.1.3 导入图像数据

wKgZomWxymyAaFYuAAagttqEahs640.png

1.2.1 创建标签集

wKgaomWxyneAAObWAAmJK8tJSTE728.png

1.2.2 选择模型类型(GAN)

wKgZomWxyn6ACr4mAAcW9bkSpVU831.png

1.3.1 标注数据

wKgZomWxyoiAGHTMACXeZjI-8LQ724.png

1.3.2 完成标注

wKgaomWxyo6AeVFeABxthRWjZ-k047.png

可以使用涂刷的方式选中缺陷区域

也可以用画笔绘制任意多边形圈选缺陷区域

1.4.1 划分训练集/测试集

wKgaomWxypmAKcgiAAZXpusEytI550.png

1.4.2 缺陷图像/正常图像

wKgZomWxyqOAIxDnADraePCaK_Y192.png

缺陷图像设置为训练集;将正常图像设置为测试集

1.5.1 输入训练模型名称

wKgZomWxyrCAeD3rAAzE-gTuWXU530.png

1.5.2 训练生成GAN模型

wKgaomWxyraAd3UkAAQdoU4Vsvk225.png

1.5.3 查看模型结果

wKgaomWxyr2ALan6ABL0OPvTQ6Y236.png

02 创建缺陷图像

2.1.1 进入生成中心(Generation Center)

wKgaomWxysiAU51qAEWOFAJ_czk696.png

2.1.2 新建任务

wKgZomWxysyAXbPoAA01kgCgn_8158.png

2.2.1 导入正常图像

wKgZomWxysyAXbPoAA01kgCgn_8158.png

2.2.2 加载GAN模型

wKgZomWxyt-ACbcKAARFS32oKHs375.png

用于创建缺陷的图像数据必须跟用于训练GAN模型的数据对应,后续将用这些正常图像生成缺陷图像。

①绘制生成缺陷:自定义模式Custom mode

2.3.1① 选择缺陷生成类型

wKgZomWxyu2AHXwTADEbDhWhwuw166.png

2.3.2① 绘制缺陷

wKgaomWxyvOAEbfuABSWIzqP6n4993.png

2.3.3① 完成绘制

wKgZomWxyvuAB4xiABSCY0x2K3A454.png

2.3.4① 准备生成

wKgaomWxywOAIx1oACyEo-GIu6Y785.png

2.3.5① 生成缺陷图像

wKgaomWxywiATkM_AA7RXgjWwls262.png

应用于比较直观的缺陷。可以使用先前训练的缺陷形状(Stamp)绘制缺陷,也可以使用画刷工具(Brush)自由绘制缺陷。

②绘制生成缺陷:随机模式Random mode

2.3.1② 选择缺陷生成类型

wKgZomWxyxGAAxQOAAeORHOo6Ig693.png

2.3.2② 设置缺陷数

wKgZomWxyxaAaa49AA1-EBoxIHM046.png

2.3.3② 生成缺陷图像

wKgaomWxyxuATrnbAAiZxrSQCKM447.png

2.3.4② 得到缺陷图像

wKgZomWxyyGATSLOABVSDlMr-Lo060.png

2.3.5② 导出图像数据

wKgZomWxyyWAfD0UAAYqD6MtrPw459.png

应用于比较抽象的缺陷批量缺陷图像的生成。可一键实现在所有正常图像上绘制缺陷得到缺陷图像,软件界面可查看生成的批量缺陷图像并导出。

Neuro-T无监督学习模型输出异常分类or检测模型操作步骤

(1)与使用Neuro-T训练其他深度学习模型一样的步骤,新建项目 → 新建数据集→导入图像数据→新建标签集→选择标签集对应的深度学习模型类型。

(2)对于异常分类模型:只需类比分类模型,给数据添加正常or异常的标签;对于异常分割模型:给数据添加正常or异常的标签,进一步地,对于异常的图像数据,需要圈选or涂选出异常区域。

(3)训练模型,查看模型检测结果,可以通过设置敏感度阈值(Sensitivity Threshold)来过滤检测出的图像异常部分,从而满足实际的应用需求。

wKgaomWxyiWAclkPABeyR2CApPQ519.png

友思特Neuro-T应用案例

1. 制造业

wKgZomWxyeGAD1xSAAkLh2ZCN04842.png电池缺陷检测 wKgZomWxyfOAbAiJABK7-3zSeiY668.png钢材表面缺陷检测

2. 医疗业

wKgZomWxygeAAhsAAAeOC6amqs4899.png胸部CT病灶检测 wKgZomWxyhKAHGLBAAyEXAVAVqY523.png
腹部超声异常检测

审核编辑 黄宇

声明:本文内容及配图由入驻作者撰写或者入驻合作网站授权转载。文章观点仅代表作者本人,不代表电子发烧友网立场。文章及其配图仅供工程师学习之用,如有内容侵权或者其他违规问题,请联系本站处理。 举报投诉
  • 机器视觉
    +关注

    关注

    161

    文章

    4315

    浏览量

    119941
  • GaN
    GaN
    +关注

    关注

    19

    文章

    1905

    浏览量

    72526
  • 缺陷检测
    +关注

    关注

    2

    文章

    142

    浏览量

    12188
  • 深度学习
    +关注

    关注

    73

    文章

    5456

    浏览量

    120856
收藏 人收藏

    评论

    相关推荐

    机器视觉检测应用场景缺陷检测、尺寸测量、引导定位、运动控制

    就来介绍一下 机器视觉检测 的应用场景缺陷检测、尺寸测量、引导定位、运动控制。 1、缺陷检测
    的头像 发表于 09-12 15:54 286次阅读

    基于AI深度学习的缺陷检测系统

    在工业生产中,缺陷检测是确保产品质量的关键环节。传统的人工检测方法不仅效率低下,且易受人为因素影响,导致误检和漏检问题频发。随着人工智能技术的飞速发展,特别是深度学习技术的崛起,基于AI深度学习的
    的头像 发表于 07-08 10:30 881次阅读

    外观缺陷检测原理

    的结合应用加速渗透进工业产品的 外观缺陷检测 领域。思普泰克凭借深耕机器视觉多年沉淀的技术实力,建立以深度学习技术为核心的差异化发展优势,开发出视觉引擎等工业级视觉应用产品,全面赋能产品外观缺陷
    的头像 发表于 06-17 17:38 341次阅读
    外观<b class='flag-5'>缺陷</b><b class='flag-5'>检测</b>原理

    产品标签OCR识别缺陷检测系统方案

    目前实验来看,康耐德机器视觉可以检测出标签有无以及有没贴歪斜,印刷字符只能检测出缺陷比较大的产品,具体还要以实际缺陷产品来模拟确认。此方案适合65mm以下产品,由于颜色太多,不能所有产
    的头像 发表于 06-10 18:26 629次阅读
    产品标签OCR识别<b class='flag-5'>缺陷</b><b class='flag-5'>检测</b>系统<b class='flag-5'>方案</b>

    基于深度学习的缺陷检测方案

    图像预处理通常包括直方图均衡化、滤波去噪、灰度二值化、再次滤波几部分,以得到前后景分离的简单化图像信息;随后利用数学形态学、傅里叶变换、Gabor 变换等算法以及机器学习模型完成缺陷的标记与检测
    发表于 04-23 17:23 747次阅读
    基于深度学习的<b class='flag-5'>缺陷</b><b class='flag-5'>检测</b><b class='flag-5'>方案</b>

    赛默斐视X射线薄膜测厚仪与薄膜表面缺陷检测

    的及时检测显得尤为重要。X射线薄膜测厚仪作为一种先进的检测设备,为薄膜表面缺陷检测提供了有效的解决方案。 薄膜表面
    的头像 发表于 04-17 15:52 294次阅读

    如何应对工业缺陷检测数据短缺问题?

    这篇论文介绍了一种文本引导的变分图像生成方法,旨在解决工业制造中的异常检测和分割问题。传统方法通过训练非缺陷数据的分布来进行异常检测,但这需要大量且多样化的非
    发表于 03-14 10:15 364次阅读
    如何应对工业<b class='flag-5'>缺陷</b><b class='flag-5'>检测</b><b class='flag-5'>数据</b>短缺问题?

    洞察缺陷:精准检测的关键

    缺陷检测是生产过程的重要组成部分。它有助于确保产品的高质量和满足客户的需求。缺陷检测有许多不同的解决方案,特定应用的最佳解决
    的头像 发表于 02-26 15:44 297次阅读
    洞察<b class='flag-5'>缺陷</b>:精准<b class='flag-5'>检测</b>的关键

    基于深度学习的芯片缺陷检测梳理分析

    虽然表面缺陷检测技术已经不断从学术研究走向成熟的工业应用,但是依然有一些需要解决的问题。基于以上分析可以发现,由于芯片表面缺陷的独特性质,通用目标检测算法不适合直接应用于芯片表面
    发表于 02-25 14:30 1139次阅读
    基于深度学习的芯片<b class='flag-5'>缺陷</b><b class='flag-5'>检测</b>梳理分析

    无纺布缺陷在线检测仪怎么用

    随着科技的不断发展,无纺布作为一种新型环保材料,已经广泛应用于各个领域。然而,无纺布的生产过程中难免会出现一些缺陷,如针眼、孔洞等。为了提高无纺布的质量,许多企业开始使用无纺布缺陷在线检测仪进行实时
    的头像 发表于 02-03 14:58 444次阅读
    无纺布<b class='flag-5'>缺陷</b>在线<b class='flag-5'>检测</b>仪怎么用

    RA生态系统合作伙伴解决方案-Aizip缺陷检测

    电子发烧友网站提供《RA生态系统合作伙伴解决方案-Aizip缺陷检测.pdf》资料免费下载
    发表于 12-21 09:55 0次下载
    RA生态系统合作伙伴解决<b class='flag-5'>方案</b>-Aizip<b class='flag-5'>缺陷</b><b class='flag-5'>检测</b>

    电子元件缺陷检测方法

    电子元件是现代科技中不可或缺的一部分,但由于制造过程中的复杂性,元件可能出现各种缺陷。为了保证电子元件的质量和可靠性,缺陷检测是必不可少的过程。本文将详细介绍电子元件缺陷
    的头像 发表于 12-18 14:46 1083次阅读

    柔性印刷线路板缺陷检测方法指南

    现有的FPC缺陷检测算法多衍生于PCB检测算法,但受本身独特性限制,FPC板缺陷要求更高,检测样板尺寸更大,样板成像易变形,使得针对PCB板
    发表于 11-30 15:29 453次阅读

    工业视觉缺陷检测的算法总结

    缺陷检测是工业视觉领域非常重要的应用之一。几乎所有的工业产品在流入市场之前都会有缺陷检测的环节,目的是确保产品是合格的。
    的头像 发表于 11-14 11:06 908次阅读

    电极片常见缺陷 电极片缺陷检测方法 电极片缺陷对电池性能的影响

    电极片常见缺陷 电极片缺陷检测方法 电极片缺陷对电池性能的影响  电极片是电池的重要组成部分之一,其质量和性能直接影响到电池的工作效率和稳定性。然而,电极片在制造和使用过程中常常会出现
    的头像 发表于 11-10 14:54 1345次阅读