А.О. Бурыгин1, И.Г. Панин2

1 ЗАО «НОРСИ-ТРАНС» (Москва, Россия)

2 Костромской государственный университет (г. Кострома, Россия)

1 g.t.m.p@yandex.ru, 2 igpanin@list.ru

Постановка проблемы. Проблема обнаружения дефектов на заданных площадях с помощью нейросетей связана с определением изъянов на объектах или текстурах, основываясь на наборе «хороших» бездефектных образцов и сравнением с ними. При этом процесс накопления различных дефектных изображений на производстве не всегда может дать необходимый результат, поскольку частота появления дефектов при наличии множества различных типов аномалий довольно низка, т.е. существует ограничение в размере множества аннотированных дефектных изображений по сравнению со множеством бездефектных изображений. Поэтому для того, чтобы восполнить недостаток в «естественных» дефектах, предлагается метод дополнения датасета «искусственными» дефектами до необходимого количества.

Цель. Повысить эффективность детекции дефектов за счет создания методов и алгоритмов увеличения датасета для решения проблемы недостатка дефектных изображений.

Результаты. Представлены дуальная система детекции дефектов на основе предобученной сети U-Net++ и оценки признаков отдельных фрагментов на основе сети PatchCore. Проведены вычислительные эксперименты, направленные на исследование эффективности предложенного метода по сравнению с существующими аналогами. Проанализирована эффективность при обогащении датасета генеративно-состязательной сетью ResStyleGAN.

Практическая значимость. Разработанный метод на основе предложенной дуальной системы PatchNet++ с предварительной генерацией новых дефектов через ResStyleGAN предполагается применить на реальном производстве текстильных строп и фанеры.

Бурыгин А.О., Панин И.Г. Дуальная система детекции и генерации дефектов на плоских поверхностях // Нейрокомпьютеры: разработка, применение. 2024. T. 26. № 3. С. 55-67. DOI: https://doi.org/10.18127/j19998554-202403-06

1. Власов А.И., Завьялов Н.В., Селиванов К.В., Скальченков И.И. Применение нейронных сетей в обнаружении дефектов печатных плат // Нейрокомпьютеры: разработка, применение. 2022. Т. 24. № 6. С. 5–19. DOI 10.18127/j19998554-202206-01.
2. Бурыгин А.О., Панин И.Г. Детекция дефектов стропы на основе немаркированных данных // Сборник статей XI Междунар. науч.-практич. конф. «Актуальные научные исследования». Пенза: Наука и Просвещение. 2023. С. 94–97.
3. Букалов Г.К., Бурыгин А.О., Панин И.Г., Торцев А.В. Сегментация и детекция дефектов на больших площадях по ограниченному числу кадров // Информационные технологии. 2022. Т. 28. № 1. С. 20–25. DOI 10.17587/it.28.20-25.
4. Bergmann P., Fauser M., Sattlegger D., Steger C. Uninformed Students: Student–Teacher Anomaly Detection with Discriminative Latent Embeddings. [Электронный ресурс] – Режим доступа: https://arxiv.org/pdf/1911.02357, дата обращения 23.03.2024.
5. Deng H., Li X. Anomaly Detection via Reverse Distillation from One-Class Embedding // IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR). New Orleans, USA. 2022. P. 9727–9736. DOI 10.1109/CVPR52688.2022.00951.
6. Schlegl T., Seeböck P., Waldstein S.M., Schmidt-Erfurth U., Langs G. Unsupervised Anomaly Detection with Generative Adversarial Networks to Guide Marker Discovery // International Conference on Information Processing in Medical Imaging. 2017. V. 10265. P. 146–157. DOI 10.1007/978-3-319-59050-9_12.
7. Roth K., Pemula L., Zepeda J., Schölkopf B., Brox T., Gehler P. Towards Total Recall in Industrial Anomaly Detection // Conference on Computer Vision and Pattern Recognition (CVPR). New Orleans, USA. 2022. P. 14298–14308. DOI 10.1109/CVPR52688. 2022.01392.
8. Lee S., Lee S., Song B.C. CFA: Coupled-Hypersphere-Based Feature Adaptation for Target-Oriented Anomaly Localization // IEEE Access. 2022. V. 10. P. 78446–78454. DOI 10.1109/ACCESS.2022.3193699.
9. Deng J., Guo J., Yang J., Xue N., Kotsia I., Zafeiriou S. ArcFace: Additive Angular Margin Loss for Deep Face Recognition // IEEE Transactions on Pattern Analysis and Machine Intelligence. 2022. V. 44. № 10. P. 5962–5979. DOI 10.1109/tpami.2021.3087709.
10. Efe U., Ince K.G., Alatan A.A. DFM: A Performance Baseline for Deep Feature Matching // Conference on Computer Vision and Pattern Recognition Workshops (CVPRW). Nashville, USA. 2021. P. 4279–4288. DOI 10.1109/CVPRW53098.2021.00484.
11. Batzner K., Heckler L., König R. EfficientAD: Accurate Visual Anomaly Detection at Millisecond-Level Latencies // Winter Conference on Applications of Computer Vision (WACV). Waikoloa, USA. 2024. P. 127–137. DOI 10.1109/WACV57701.2024.00020.
12. Бурыгин А.О., Панин И.Г. Генерация изображений дефектов с помощью вариации генеративно-состязательной сети на основе stylegan3 // Сборник статей IV Междунар.й науч.-практич. конф. «Фундаментальная и прикладная наука: актуальные вопросы теории и практики». Пенза: Наука и Просвещение. 2023. С. 57–64.
13. Zhu T., Chen J., Zhu R., Gupta G. StyleGAN3: Generative Networks for Improving the Equivariance of Translation and Rotation. [Электронный ресурс] – Режим доступа: https://arxiv.org/pdf/2307.03898v1, дата обращения 23.03.2024.