الإشراف المختلط للكشف عن العيوب السطحية: من التعلم الضعيف إلى التعلم الكامل

أُستخدمت مؤخرًا أساليب التعلم العميق لمعالجة مشكلات كشف العيوب السطحية في ضوابط الجودة الصناعية. ومع ذلك، وبسبب الحاجة إلى كميات كبيرة من البيانات للتعلم، غالبًا ما تتطلب علامات دقيقة للغاية، فإن العديد من المشكلات الصناعية لا يمكن حلها بسهولة، أو يرتفع تكلفة الحل بشكل كبير بسبب متطلبات التسمية. في هذا العمل، نخفف من المتطلبات الصارمة للأساليب المدروسة بالكامل ونُقلل الحاجة إلى تسميات مفصلة للغاية. من خلال اقتراح بنية لتعلم عميق، نستكشف استخدام تسميات بدرجات مختلفة من التفاصيل، تبدأ من التسميات الضعيفة (الصفحة المستوى) وتمتد إلى التدريب المختلط، ثم التسميات الكاملة (المستوى البكسيلي). يتم تطبيق هذه المهمة على كشف العيوب السطحية. تتكون البنية النهائية المُقترحة من شبكة فرعية مكونة من شبكتين فرعيتين تُنتج نتائج تقسيم العيوب وتصنيفها. تم تقييم الطريقة المقترحة على عدة مجموعات بيانات للفحص الصناعي: KolektorSDD وDAGM وSeverstal Steel Defect. كما نقدم مجموعة بيانات جديدة تُسمى KolektorSDD2، التي تضم أكثر من 3000 صورة تحتوي على أنواع متعددة من العيوب، تم جمعها أثناء معالجة مشكلة صناعية حقيقية. ونُظهر نتائج من الطراز الرائد (state-of-the-art) على جميع المجموعات الأربع. وتفوق الطريقة المقترحة جميع الأساليب ذات الصلة في البيئات المدروسة بالكامل، كما تتفوق على الأساليب المدروسة ضعيفًا عندما تكون التسميات الوحيدة المتاحة هي التسميات على مستوى الصورة. كما نُظهر أن التدريب المختلط، الذي يُضاف إليه عدد قليل جدًا من العينات المُسمّاة بالكامل إلى الصور التدريبية ذات التسميات الضعيفة، يمكن أن يؤدي إلى أداء يقارب أداء النموذج المدروس بالكامل، ولكن بتكلفة تسمية أقل بشكل ملحوظ.