|
文献速读 Measurement：基于不平衡数据集学习的铝管缺陷检测方法  题目 A learning-based approach for aluminum tube defect detection using imbalanced dataset 基于不平衡数据集学习的铝管缺陷检测方法 关键词 缺陷检测；不平衡学习；最大平均差异；元启发式自组织神经网络；重叠区域搜索 来源 出版年份：2023 来源：Measurement 课题组：湖南大学汽车车身先进设计制造国家重点实验室Lang Ning课题组 研究背景 工业部件可靠性是确保基础设施可靠和稳定运行的重要因素。铝管是一种常见的传输部件，具有导热性好、延展性高、成本低等优点，常用于石化、汽车、建筑等领域。然而，铝管表面存在缺陷时将大幅降低其使用寿命，导致铝管在使用过程中发生气体或液体泄漏，对人员和财产安全构成威胁。因此需针对铝管缺陷检测进行相关研究。传统人工缺陷检测方法存在效率低下、对主观误差敏感等缺点。相较于人工检测，基于计算机视觉的检测方法具有可靠性高、检测速度快等优点，已广泛应用于缺陷检测。然而，由于铝管表面缺陷性质（灰度分布、面积、与背景对比度以及空间分布等）存在随机性，难以采用统一标准对其进行描述，使得基于计算机视觉的表面缺陷检测技术仍具有较大挑战。此外，现实场景下铝管缺陷稀有，缺陷样本采集过程费时费力，导致所得数据集样本少且不平衡，进一步导致缺陷检测性能下降。在该情况下，可将不平衡数据集定义为缺陷样本数量少于非缺陷样本（背景样本），多数样本（非缺陷样本）在整个数据集中占主导地位，分类器倾向于忽略少数样本（缺陷样本）。此外，铝管曲率大，反射率高，可能使照明不均匀，导致同一缺陷在不同采集位置呈现不同外观。因此，检测铝管表面缺陷相较于检测平面表面缺陷更具挑战。 研究出发点 为克服铝管表面缺陷的随机性、稀有性以及管状表面照明不均匀等困难，需开发一种可减轻数据采集负担并扩大应用范围的缺陷检测方法。 研究内容 本文提出一种基于不平衡数据集学习的铝管缺陷检测方法，用于处理不平衡数据集的表面缺陷检测问题。具体为：提出一种基于元启发式自组织神经网络（MSOM）的学习框架，简化搜索重叠区域；引入最大均值差异（MMD）构建适应度函数，并通过迭代求解适应度函数确定MSOM最优结构；采用区域依赖处理策略，结合过采样和特征选择技术以提高重叠区域的分类性能。  图1 本文所开发方法示意  图2 本文所开发方法应用  图3 MSOM结构  图4 铝管成像系统  图5 不同比例的不平衡数据集的接收者操作特征（ROC）曲线：（a）15%；（b）30%；（c）45%；（d）60；（e）75；（f）100%  图6 部分检测结果  图7不平衡比率实验结果  图8惩罚项权重实验结果 主要结论 本文研究了如何使用样本少且不平衡的数据集来检测铝管表面缺陷。首先，将图像斑块映射到特征空间；然后，利用最大均值差异（MMD）提出一种新的关于相似性、类间对比和维度限制的适应性函数。通过迭代求解适应性函数，以确定元启发式自组织神经网络（MSOM）的最优结构。因此可将不平衡数据集中的大多数实例划分为重叠组和非重叠组；最后，引入一种依赖于区域的处理策略。具体结论如下： 一方面，对于非重叠组的多数实例，由于它们在特征空间中与少数实例分离，所以可直接训练一个分类器；另一方面，对于少数实例和重叠组的多数实例，可结合过采样和特征选择技术将它们映射到低维、高度可分的子特征空间，由此可以避免冗余大多数样本的干扰，从而提高分类精度。 大量实验表明，本文所提方法在铝管表面缺陷数据集的检测精度、学习不平衡分布以及鲁棒性方面优于其他主流方法。此外，本文所提方法可通过减少数据集依赖性（即通过多数投票方案与现有方法结合）以加强现有的缺陷检测方法。 虽然本文所提方法在样本少且不平衡的数据集上表现出良好的性能，但在训练数据集变大（例如达到百万级别时）时，该方法会遇到瓶颈。未来需将本文所提方法与增量学习和并行计算技术结合，以进一步提高训练效率和检测精度。 |
|
|
