Entraînement bout à bout d'un réseau de neurones à deux étapes pour la détection de défauts

Un réseau neuronal à deux étapes basé sur la segmentation a démontré des résultats remarquables dans la détection de défauts de surface, permettant au modèle d’apprendre efficacement à partir d’un nombre relativement faible d’échantillons. Dans ce travail, nous introduisons l’entraînement end-to-end du réseau à deux étapes, accompagné de plusieurs extensions au processus d’entraînement, qui réduisent significativement le temps d’entraînement et améliorent les performances sur les tâches de détection de défauts de surface. Pour permettre un entraînement end-to-end, nous équilibrions soigneusement les contributions des pertes de segmentation et de classification tout au long de l’apprentissage. Nous ajustons le flux de gradients provenant de la classification vers le réseau de segmentation afin d’éviter que des caractéristiques instables n’altèrent le processus d’apprentissage. En complément, nous proposons un schéma d’échantillonnage des exemples négatifs basé sur leur fréquence d’utilisation, afin de résoudre les problèmes de sur-échantillonnage et de sous-échantillonnage des images pendant l’entraînement. Par ailleurs, nous appliquons l’algorithme de transformation de distance aux masques de segmentation basés sur des régions, afin d’utiliser ces résultats comme poids pour les pixels positifs, accordant ainsi une importance accrue aux zones présentant une plus grande probabilité de contenir un défaut, sans nécessiter d’annotations détaillées. Nous démontrons les performances du schéma d’entraînement end-to-end ainsi que des extensions proposées sur trois jeux de données de détection de défauts — DAGM, KolektorSDD et Severstal Steel defect dataset — où nous obtenons des résultats de pointe. Sur les jeux DAGM et KolektorSDD, nous atteignons un taux de détection de 100 %, résolvant ainsi complètement ces ensembles de données. Une étude d’ablation complémentaire menée sur les trois jeux de données confirme quantitativement l’apport de chacune des extensions proposées à l’amélioration globale des performances.