Wyniki wyszukiwania - BazTech

Ograniczanie wyników

1 Fibres & Textiles in Eastern Europe

1 2020

Znaleziono wyników: 1

Liczba wyników na stronie

Wyniki wyszukiwania

Sortuj według:

Ogranicz wyniki do:

SACNN: Spatial Adversarial Convolutional Neural Network for Textile Defect Detection

Hou Wei, Tao Xian, Ma Wenzhi, Xu De

Fibres & Textiles in Eastern Europe

2020

Vol. 28, no. 6 (144)

127--133

Constructing textile defect detection systems is significant for quality control in industrial production, but it is costly and laborious to label sufficient detailed samples. This paper proposes a model called ‘spatial adversarial convolutional neural network’ which tries to solve the problem above by only using the image-level label. It consists of two parts: a feature extractor and feature competition. Firstly, a string of convolutional blocks is used as a feature extractor. After feature extraction, a maximum greedy feature competition is taken among features in the feature layer. The feature competition mechanism can lead the network to converge to the defect location. To evaluate this mechanism, experiments were carried on two datasets. As the training time increases, the model can spontaneously focus on the actual defective location, and is robust towards an unbalanced sample. The classification accuracy of the two datasets can reach more than 98%, and is comparable with the method of labelling samples in detail. Detection results show that defect location from the model is more compact and accurate than in the Grad-CAM method. Experiments show that our model has potential usage in defect detection in an industrial environment.

Konstruowanie systemów wykrywania wad tekstyliów ma duże znaczenie dla kontroli jakości w produkcji przemysłowej, ale etykietowanie wystarczająco szczegółowych próbek jest kosztowne i pracochłonne. W artykule zaproponowano model zwany „przestrzenną przeciwstawną splotową siecią neuronową”, który próbuje rozwiązać powyższy problem jedynie przy użyciu etykiety na poziomie obrazu. Składa się z dwóch części: ekstraktora fabuły i konkursu fabularnego. Po pierwsze, ciąg bloków splotowych jest używany jako ekstraktor cech. Po wyodrębnieniu cech dochodzi do maksymalnej zachłannej konkurencji między funkcjami w warstwie cech. Mechanizm współzawodnictwa cech może doprowadzić do konwergencji sieci do lokalizacji defektu. Aby ocenić ten mechanizm, przeprowadzono eksperymenty na dwóch zbiorach danych. Wraz ze wzrostem czasu szkolenia model może spontanicznie skupić się na rzeczywistej wadliwej lokalizacji i jest odporny na niezrównoważoną próbkę. Dokładność klasyfikacji obu zbiorów danych może sięgać ponad 98% i jest porównywalna ze szczegółową metodą znakowania próbek. Wyniki detekcji pokazują, że lokalizacja defektu z modelu jest bardziej zwarta i dokładna niż w metodzie Grad-CAM. Eksperymenty pokazują, że zaprezentowany model ma potencjalne zastosowanie do wykrywania defektów w środowisku przemysłowym.