Использование методов машинного обучения для решения задачи поиска дефектов на растровых изображениях
Ключевые слова:
машинное обучение, нейронные сети, растровые дефекты
Аннотация
Рассматривается задача поиска дефектов на тематических изображениях различных классов с использованием двух вариантов обучаемых классификаторов – нейронных сетей прямого распространения и сверточных сетей. Отличительной особенностью анализируемых изображений является наличие полезных объектов различной степени сложности и плотности заполнения, расположенных на текстурном фоне. Алгоритмы диагностирования дефектов предназначены для выявления артефактов типа аппликативных помех, искажения границ и засветки объектов или их частей. Приводятся результаты тестирования для различных типов изображений.
Скачивания
Данные скачивания пока не доступны.
Литература
1. Xie, X. A review of recent advances in surface defect detection using texture analysis techniques / X. Xie // Electronic Letters on Computer Vision and Image Analysis, 2008. – Vol. 7 (3). – P. 1–22.
2. Optical and Infrared Vision Non-Destruc-tive Techniques: Integration as a means for the Defects Detection on Impacted Composite Ma-terials / A. Bendada [et al.] // Proceedings of the 4th International Conference on Crack Paths (CP 2012), Gaeta, Italy. – 2012. – P. 841–848.
3. Sezgin, M. Selection of thresholding meth-ods fornondestructive testing applications / M. Sezgin, B. Sankur // In: Proceedings. 2001 Interna-tional Conference on Image Processing. IEEE. – P. 764–767.
4. Weimer, D. Learning Defect Classifiers for Textured Surfaces Using Neural Networks and Statistical Feature Representations / D. Weimer, H. Thamer, B. Scholz-Reiter // Procedia CIRP, 2013. – Vol. 7. – P. 347–352.
5. A Learning-Based Approach for Automatic Defect Detection in Textile Images / D. Yapi [et al.] // IFAC-PapersOnLine, 2015. – Vol. 48(3). – P. 2423–2428.
6. A fast and robust convolutional neural network-based defect detection model in product quality control / T. Wang [et al.] // Int. J. Adv. Manuf. Technol. – 2018. – Vol. 94, – P. 3465–3471.
7. Kalinin, P. V. A graph based approach to hierarchical image over-segmentation / P. V. Kalinin, A. A. Sirota // Computer Vision and Image Understanding. – 2015. – Vol. 130, – P. 80–86.
8. Young-Jin, C. Deep Learning-Based Crack Damage Detection Using Convolutional Neural Networks / C. Young-Jin, C. Wooram, B. Oral // Computer-Aided Civil and Infrastructure Engi-neering, 2017. – Vol. 32(5). – P. 361–378.
9. Realtime Defect Detection Method for Printed Images Based on Grayscale and Gradient Differences / W. Yangping [et al.] // Journal of Engineering Science and Technology Review, 2018. – Vol. 11 (1). – P. 180–188.
10. Nakagaki, R. Automatic recognition of de-fect areas on a semiconductor wafer using multiple scanning electron microscope images / R. Na-kagaki, T. Honda, K. Nakamae // Measurement Science and Technology. – 2009. – Vol. 20 (7). – P. 075503–12.
11. Аппаратно-программный комплекс для анализа неоднородного потока объектов в системах фотосепарации реального времени / Э. К. Алгазинов [и др.] // Измерительная техника: оптико-физические измерения. – 2014. – No5. – С. 23–29.
12. Semiconductor wafer defect detection us-ing digital holography / M. A. Schulze [et al.] // Proc. SPIE 5041, Process and Materials Characterization and Diagnostics in IC Manufacturing, 2003. – doi: 10.1117/12.485237
13. Калинин, П. В. Статистические, нейросетевые и комбинированные алгоритмы фильтрации аппликативных помех на изображениях / П. В. Калинин, А. А. Сирота // Автометрия. – 2012. – No 6. – С. 18–28.
14. Гонсалес, Р. Цифровая обработка изображений / Р. Гонсалес, М. Вудс. – М.: Техносфера, 2005. – 1072 с.15. Гудфеллоу, Я. Глубокое обучение / Я. Гудфеллоу, И. Бенджио, А. Курвилль – 2-е изд., испр. – М. : ДМК Пресс, 2018. – 652 с.
2. Optical and Infrared Vision Non-Destruc-tive Techniques: Integration as a means for the Defects Detection on Impacted Composite Ma-terials / A. Bendada [et al.] // Proceedings of the 4th International Conference on Crack Paths (CP 2012), Gaeta, Italy. – 2012. – P. 841–848.
3. Sezgin, M. Selection of thresholding meth-ods fornondestructive testing applications / M. Sezgin, B. Sankur // In: Proceedings. 2001 Interna-tional Conference on Image Processing. IEEE. – P. 764–767.
4. Weimer, D. Learning Defect Classifiers for Textured Surfaces Using Neural Networks and Statistical Feature Representations / D. Weimer, H. Thamer, B. Scholz-Reiter // Procedia CIRP, 2013. – Vol. 7. – P. 347–352.
5. A Learning-Based Approach for Automatic Defect Detection in Textile Images / D. Yapi [et al.] // IFAC-PapersOnLine, 2015. – Vol. 48(3). – P. 2423–2428.
6. A fast and robust convolutional neural network-based defect detection model in product quality control / T. Wang [et al.] // Int. J. Adv. Manuf. Technol. – 2018. – Vol. 94, – P. 3465–3471.
7. Kalinin, P. V. A graph based approach to hierarchical image over-segmentation / P. V. Kalinin, A. A. Sirota // Computer Vision and Image Understanding. – 2015. – Vol. 130, – P. 80–86.
8. Young-Jin, C. Deep Learning-Based Crack Damage Detection Using Convolutional Neural Networks / C. Young-Jin, C. Wooram, B. Oral // Computer-Aided Civil and Infrastructure Engi-neering, 2017. – Vol. 32(5). – P. 361–378.
9. Realtime Defect Detection Method for Printed Images Based on Grayscale and Gradient Differences / W. Yangping [et al.] // Journal of Engineering Science and Technology Review, 2018. – Vol. 11 (1). – P. 180–188.
10. Nakagaki, R. Automatic recognition of de-fect areas on a semiconductor wafer using multiple scanning electron microscope images / R. Na-kagaki, T. Honda, K. Nakamae // Measurement Science and Technology. – 2009. – Vol. 20 (7). – P. 075503–12.
11. Аппаратно-программный комплекс для анализа неоднородного потока объектов в системах фотосепарации реального времени / Э. К. Алгазинов [и др.] // Измерительная техника: оптико-физические измерения. – 2014. – No5. – С. 23–29.
12. Semiconductor wafer defect detection us-ing digital holography / M. A. Schulze [et al.] // Proc. SPIE 5041, Process and Materials Characterization and Diagnostics in IC Manufacturing, 2003. – doi: 10.1117/12.485237
13. Калинин, П. В. Статистические, нейросетевые и комбинированные алгоритмы фильтрации аппликативных помех на изображениях / П. В. Калинин, А. А. Сирота // Автометрия. – 2012. – No 6. – С. 18–28.
14. Гонсалес, Р. Цифровая обработка изображений / Р. Гонсалес, М. Вудс. – М.: Техносфера, 2005. – 1072 с.15. Гудфеллоу, Я. Глубокое обучение / Я. Гудфеллоу, И. Бенджио, А. Курвилль – 2-е изд., испр. – М. : ДМК Пресс, 2018. – 652 с.
Опубликован
2018-08-20
Как цитировать
Дрюченко, М. А., Сирота, А. А., Гаршина, В. В., & Митрофанова, Е. Ю. (2018). Использование методов машинного обучения для решения задачи поиска дефектов на растровых изображениях. Вестник ВГУ. Серия: Системный анализ и информационные технологии, (3), 163-172. https://doi.org/10.17308/sait.2018.3/1244
Выпуск
Раздел
Интеллектуальные информационные системы
- Авторы сохраняют за собой авторские права и предоставляют журналу право первой публикации работы, которая по истечении 6 месяцев после публикации автоматически лицензируется на условиях Creative Commons Attribution License , которая позволяет другим распространять данную работу с обязательным сохранением ссылок на авторов оригинальной работы и оригинальную публикацию в этом журнале.
- Авторы имеют право размещать их работу в сети Интернет (например в институтском хранилище или персональном сайте) до и во время процесса рассмотрения ее данным журналом, так как это может привести к продуктивному обсуждению и большему количеству ссылок на данную работу (См. The Effect of Open Access).
