与时代共振,AI助力工业缺陷检测
大数据文摘
共 8217字,需浏览 17分钟
·
2021-10-17 09:34
类间差异小,存在模糊地带:以磁瓦缺陷数据集[4]为例,线状物体在多种缺陷或者无缺陷情况都有出现。这是这一数据集的固有属性,也是缺陷检测难做的原因。有一些情况,由于正负样本类内差异小,比如按照面积、灰度值等绘制其直方图,中间过渡区域永远存在一定量的样本,处于灰色地带,很难分辨。 类内差异大:同一类缺陷下,缺陷的大小,形状,位置多变。 样本不平衡:有些数据集中,严重存在着正负样本不平衡的问题,良品多,不良率小。 缺陷级别小:例如在磁瓦缺陷数据集中 ,有些裂痕或者空洞的尺寸很小,对于目标细节的分辨率要求高。
它改善了边界的预测,因为避免了像素位置信息的损失; 它对算力友好,这是由于本身上采样不会参与网络训练; 这种形式的上采样可以合并到任何编码器-解码器结构中。
通道的数量在框的顶部表示。每一层的x-y尺寸在框的左下边缘提供。白框表示复制的特征。箭头表示不同的操作。
评论