Approche de deep learning basée sur la segmentation pour la détection de défauts de surface

La détection automatique d'anomalies de surface à l'aide de l'apprentissage automatique est devenue une zone de recherche intéressante et prometteuse, avec un impact très élevé et direct sur le domaine d'application de l'inspection visuelle. Les méthodes d'apprentissage profond sont devenues les approches les plus adaptées pour cette tâche. Elles permettent au système d'inspection d'apprendre à détecter les anomalies de surface simplement en lui montrant un certain nombre d'images exemplaires. Cet article présente une architecture d'apprentissage profond basée sur la segmentation, conçue pour la détection et la segmentation des anomalies de surface, et qui est démontrée dans le domaine spécifique de la détection des fissures de surface. La conception de l'architecture permet au modèle d'être entraîné avec un petit nombre d'échantillons, ce qui est une exigence importante pour les applications pratiques. Le modèle proposé est comparé aux méthodes d'apprentissage profond connexes, y compris aux logiciels commerciaux les plus avancés, montrant que l'approche proposée surpasse les méthodes connexes dans le domaine spécifique de la détection des fissures de surface. Un grand nombre d'expériences éclairent également sur la précision requise des annotations, le nombre d'échantillons nécessaires pour l'entraînement et le coût informatique requis. Les expériences ont été réalisées sur un nouveau jeu de données basé sur un cas réel de contrôle qualité et montrent que l'approche proposée est capable d'apprendre à partir d'un petit nombre de surfaces défectueuses, en utilisant seulement environ 25-30 échantillons d'entraînement défectueux, au lieu de centaines ou milliers, ce qui est généralement le cas dans les applications d'apprentissage profond. Cela rend la méthode d'apprentissage profond pratique pour son utilisation dans l'industrie où le nombre d'échantillons défectueux disponibles est limité. Le jeu de données est également mis à disposition du public afin d'encourager le développement et l'évaluation de nouvelles méthodes pour la détection des défauts de surface.