7750

تشخيص عيوب كاشي با استفاده از شبكه‌هاي عصبي مصنوعي عميق با رويكرد يادگيري با نظارت ضعيف

كارشناسي

مهندسي كامپيوتر

1400

دكتر محمدرضا محمدي

1401/01/12

مهندسي كامپيوتر

Tile defect detection using deep neural network with weakly supervised learning approach

براي تشخيص عيوب سطحي در تصوير، بايد يك ناحيه‌بندي معنايي انجام داد، روش‌هاي موجود براي ناحيه‌بندي معنايي با نظارت قوي عملكرد‌هاي بسيار خوبي دارند اما براي انجام آن نيازمند مجموعه داده‌هايي هستيم كه در آن‌ها برچسب‌زني در سطح پيكسل‌هاي تصوير انجام شود، همين موضوع چالش بزرگي است كه بسيار زمان گير و هزينه‌بر است. به همين علت بسياري از صنايع به روش ها با نظارت ضعيف روي آورده اند، يكي از مرسوم‌ترين سطوح نظارت ضعيف، برچسب زني در سطح بيضي است، كه در آن هر ناحيه را با يك بيضي برچسب مي‌زنيم، در اين روش ممكن است برخي پيكسل‌ها برچسب نادرست دريافت كنند، براي تشخيص عيوب سطحي كاشي با رويكرد با نظارت ضعيف، عموما دو راه‌كار كلي وجود دارد: راه‌كار اول معرفي تابع خطايي براي شبكه‌هاي معروف در حوزه ناحيه‌بندي‌معنايي مانند Unet است، به طوري كه اين تابع خطا به مدل كمك كند با برخي برچسب‌هاي اشتباه در مجموعه داده هاي با نظارت ضعيف(به طور نمونه در سطح بيضي) مقابله كنند. راه‌كار دوم استفاده از برش هاي كوچكتر تصوير است، به طوري كه سطح نظارت مجموعه داده از در سطح بيضي بودن به در سطح تصوير كاهش مي‌يابد اما اطمينان داريم كه خطايي در برچسب‌‌ها وجود ندارد. ما روش برش‌زني سپس دسته‌بندي را معرفي مي‌كنيم، در اين روش تصاوير موجود در مجموعه داده را به برش هاي كوچكتر تقسيم مي‌كنيم و سپس مجموعه داده جديدي براي دسته‌يندي برش هاي سالم و غيرسالم (داراي خرابي)با اين برش ها آماده مي‌كنيم، حال در مرحله آموزش مدلي را آموزش مي‌دهيم تا بتواند اين برش ها را به دو دسته كاشي هاي سالم و غيرسالم دسته‌بندي كند، در مرحله آزمون، يك تصوير از ورودي گرفته و آن را به تعداد زيادي برش كوچكتر تقسيم‌بندي ميكنيم و اين برش ها را به مدل آموزش ديده، ورودي ميدهيم تا آن ها را دسته‌بندي كند، اگر تعداد برش هاي داراي خرابي از يك حد آستانه بيشتر شد، تصوير ورودي غيرسالم است، و براي ناحيه‌بندي قسمت خرابي، با استفاده از روش GradCAM، heatmap اين برش ها را رسم كرده و با هم جمع مي‌كنيم. و خروجي نهايي مجموع نقشه هاي حرارتي برش هاي داراي خرابي خواهد بود.

يادگيري عميق , يادگيري با نظارت ضعيف , ناحيه‌بندي معنايي , نقشه‌هاي فعالسازي كلاسي , تشخيص عيوب در تصاوير