Vaka Analizi: Derin Öğrenme Kullanmadan Kusur Tespiti

Problem şuydu: beş kusur sınıfına sahip (normal, çizik, leke, eksik parça, deformasyon) küçük bir endüstriyel kalite kontrol görevi, 256x256 boyutunda ürün görüntüleri ve öğrenmek için elde sadece 75 etiketli örnek. Modern refleks doğrudan bir CNN'e yönelmektir. Ben bunu yapmadım ve sonuçlar bu kararı doğruluyor.

Neden derin öğrenme değil Sınıf başına 15 görüntüyle, herhangi bir evrişimsel ağ genelleştirilebilir özellikler öğrenmek yerine büyük ölçüde eğitim setini ezberlerdi. Veri seti ayrıca sentetik olup kusurlar net ve tutarlı görsel imzalara sahip — tam olarak klasik görüntü işleme özelliklerinin, binlerce örnekle sıfırdan keşfetmeye gerek kalmadan yakalamada başarılı olduğu türden bir yapı.

Boru hattı

1. Segmentasyon: Top-Hat ve Black-Hat morfolojik filtreleme, Canny kenar tespitiyle birleştirilerek her görüntüdeki aday kusur bölgesi izole edilir.
2. Özellik çıkarımı: bu bölgeden alan, en-boy oranı, doluluk oranı, parlaklık, göreli parlaklık, merkeze uzaklık, doygunluk, doluluk (solidity), çevre oranı ve sınırlayıcı kutu alanı olmak üzere 10 sayısal özellik hesaplanır.
3. Sınıflandırma: bu 10 özellik üzerinde 200 ağaçlı bir Random Forest eğitilir.
4. Konumlandırma: aynı segmentasyon sınırlayıcı kutusu, eğitim setinden öğrenilen sınıf başına bir küçültme faktörüyle düzeltilerek kusur konumlandırması için yeniden kullanılır; çünkü ham segmentasyon bulanık geçiş pikselleri nedeniyle kusur boyutunu genellikle olduğundan büyük tahmin eder.

Beş değil, tek bir dedektör Bu projenin önceki bir versiyonunda sınıfa özel dedektörler kullanılmıştı: çizikler için Hough doğru dönüşümü, lekeler için LAB renk sapması analizi, eksik parça ve deformasyon gibi kenar kusurları için dışbükey gövde (convex hull) farkı. Bunları doğrulama setinde tek bir genel dedektöre (yukarıdaki Top-Hat/Black-Hat + Canny yaklaşımı) karşı kıyasladım. Genel yöntem her sınıfta kazandı — deformasyonda dışbükey gövde yaklaşımının tamamen başarısız olduğu 0.0 IoU''dan 0.816 IoU''ya sıçrama dahil. Bu, iyi ayarlanmış tek bir genel yöntemin birkaç özelleşmiş yöntemi geride bırakabileceğinin ve tek bir boru hattını bakımının beşten çok daha kolay olduğunun yararlı bir hatırlatıcısı oldu.

Sonuçlar Makro F1 doğrulama setinde 0.96''ya, gizli test setinde ise 0.97''ye ulaştı. Konumlandırma için ortalama IoU doğrulamada 0.72, testte 0.74 oldu. Birleşik nihai skor (yüzde 65 makro-F1, yüzde 25 ortalama-IoU, yüzde 10 doğruluk ağırlıklı) doğrulamada 0.90, gizli test setinde 0.91 oldu. Bütün bunlar saniyeler içinde, sadece CPU ile eğitildi.

Örnek bazlı IoU dağılımı, ortalamalardan daha dürüst bir hikaye anlatıyor: bazı tekil çizik tahminleri neredeyse 0 IoU aldı (ince, düşük kontrastlı kusurları hassas biçimde konumlandırmak gerçekten zor), eksik parça ve leke tahminleri ise tutarlı biçimde güçlüydü. Bu dağılım, tek bir ortalama metriğin gizlediği değerli bir bilgi — sadece bu projede değil, her değerlendirmede öne çıkarılmaya değer.

Çıkarım Her görüntü işleme problemi bir sinir ağı gerektirmez. Veri seti küçük ve kusur imzaları görsel olarak tutarlıysa, birkaç iyi seçilmiş özellik ve bir Random Forest, bir CNN''den daha iyi performans gösterebilir, saniyeler içinde eğitilebilir ve hata ayıklaması ile açıklanması çok daha kolay olur.