描绘未知:数据缺乏场景的缺陷检测方案

2024-01-25 11:20

本文主要是介绍描绘未知:数据缺乏场景的缺陷检测方案,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

了解更多方案内容,欢迎您访问官网:neuro-T | 友思特 机器视觉 光电检测;或联系销售经理:18124130753

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:

  1. 基于目标正常图像数据的模板匹配;

  2. 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

图片

将图像分类成不同的类别或OK/NG组别

实例

分割

图片

分析图像中检测到的物体形状并圈选

目标

检测

图片

检测图像中物体的类别、数量并定位

OCR

字符

识别

图片

检测和识别图像中的字母、数字或符号

旋转

图片

旋转图像至合适的方位

GAN

对抗生成网络

图片

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

图片

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

图片

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

图片

1.1.2 新建数据集

图片

1.1.3 导入图像数据

图片

1.2.1 创建标签集 

图片

1.2.2 选择模型类型(GAN)

图片

1.3.1 标注数据

图片

1.3.2 完成标注

图片

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

图片

1.4.2 缺陷图像/正常图像

图片

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

图片

1.5.2 训练生成GAN模型

图片

1.5.3 查看模型结果

图片

02 创建缺陷图像

2.1.1 进入生成中心(Generation Center)

图片

2.1.2 新建任务

图片

2.2.1 导入正常图像

图片

2.2.2 加载GAN模型

图片

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

图片

2.3.2① 绘制缺陷

图片

2.3.3① 完成绘制

图片

2.3.4① 准备生成

图片

2.3.5① 生成缺陷图像

图片

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

图片

2.3.2② 设置缺陷数

图片

2.3.3② 生成缺陷图像

图片

2.3.4② 得到缺陷图像

图片

2.3.5② 导出图像数据

图片

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。

友思特Neuro-T应用案例

1. 制造业

图片

电池缺陷检测

钢材表面缺陷检测

2. 医疗业

图片

胸部CT病灶检测

图片

腹部超声异常检测

这篇关于描绘未知:数据缺乏场景的缺陷检测方案的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/643105

相关文章

如何使用 Python 读取 Excel 数据

《如何使用Python读取Excel数据》:本文主要介绍使用Python读取Excel数据的详细教程,通过pandas和openpyxl,你可以轻松读取Excel文件,并进行各种数据处理操... 目录使用 python 读取 Excel 数据的详细教程1. 安装必要的依赖2. 读取 Excel 文件3. 读

Spring 请求之传递 JSON 数据的操作方法

《Spring请求之传递JSON数据的操作方法》JSON就是一种数据格式,有自己的格式和语法,使用文本表示一个对象或数组的信息,因此JSON本质是字符串,主要负责在不同的语言中数据传递和交换,这... 目录jsON 概念JSON 语法JSON 的语法JSON 的两种结构JSON 字符串和 Java 对象互转

Java Response返回值的最佳处理方案

《JavaResponse返回值的最佳处理方案》在开发Web应用程序时,我们经常需要通过HTTP请求从服务器获取响应数据,这些数据可以是JSON、XML、甚至是文件,本篇文章将详细解析Java中处理... 目录摘要概述核心问题:关键技术点:源码解析示例 1:使用HttpURLConnection获取Resp

C++如何通过Qt反射机制实现数据类序列化

《C++如何通过Qt反射机制实现数据类序列化》在C++工程中经常需要使用数据类,并对数据类进行存储、打印、调试等操作,所以本文就来聊聊C++如何通过Qt反射机制实现数据类序列化吧... 目录设计预期设计思路代码实现使用方法在 C++ 工程中经常需要使用数据类,并对数据类进行存储、打印、调试等操作。由于数据类

Java实现优雅日期处理的方案详解

《Java实现优雅日期处理的方案详解》在我们的日常工作中,需要经常处理各种格式,各种类似的的日期或者时间,下面我们就来看看如何使用java处理这样的日期问题吧,感兴趣的小伙伴可以跟随小编一起学习一下... 目录前言一、日期的坑1.1 日期格式化陷阱1.2 时区转换二、优雅方案的进阶之路2.1 线程安全重构2

SpringBoot使用GZIP压缩反回数据问题

《SpringBoot使用GZIP压缩反回数据问题》:本文主要介绍SpringBoot使用GZIP压缩反回数据问题,具有很好的参考价值,希望对大家有所帮助,如有错误或未考虑完全的地方,望不吝赐教... 目录SpringBoot使用GZIP压缩反回数据1、初识gzip2、gzip是什么,可以干什么?3、Spr

Java字符串操作技巧之语法、示例与应用场景分析

《Java字符串操作技巧之语法、示例与应用场景分析》在Java算法题和日常开发中,字符串处理是必备的核心技能,本文全面梳理Java中字符串的常用操作语法,结合代码示例、应用场景和避坑指南,可快速掌握字... 目录引言1. 基础操作1.1 创建字符串1.2 获取长度1.3 访问字符2. 字符串处理2.1 子字

SpringBoot集成Milvus实现数据增删改查功能

《SpringBoot集成Milvus实现数据增删改查功能》milvus支持的语言比较多,支持python,Java,Go,node等开发语言,本文主要介绍如何使用Java语言,采用springboo... 目录1、Milvus基本概念2、添加maven依赖3、配置yml文件4、创建MilvusClient

SpringBoot应用中出现的Full GC问题的场景与解决

《SpringBoot应用中出现的FullGC问题的场景与解决》这篇文章主要为大家详细介绍了SpringBoot应用中出现的FullGC问题的场景与解决方法,文中的示例代码讲解详细,感兴趣的小伙伴可... 目录Full GC的原理与触发条件原理触发条件对Spring Boot应用的影响示例代码优化建议结论F

SpringValidation数据校验之约束注解与分组校验方式

《SpringValidation数据校验之约束注解与分组校验方式》本文将深入探讨SpringValidation的核心功能,帮助开发者掌握约束注解的使用技巧和分组校验的高级应用,从而构建更加健壮和可... 目录引言一、Spring Validation基础架构1.1 jsR-380标准与Spring整合1