Page 32 - VSDC_MarApr2017_eMag
P. 32
应用与解决方案 Applications & Solutions
a) b) c) 并安排定期预 CNN 分类器通过具有缺陷的热钢
防 性 维 护 操 管图像的定制图像数据库进行验证，
作。该系统还 并且发现基于深度学习的方法，能够
可以支持多用 减少检测到的假阳性和假阴性的数量，
户，这些用户 其明显优于之前的 SVM 分类器。
不仅可以本地 执行两类分类（如缺陷与无缺陷）
访问系统，还 时，最相关的性能指标是 AUC，或
可以通过互联 ROC（接收器工作特征）曲线下的面
网访问系统。 积，通过在 x 轴上绘制假阳性率和在
图3：钢材中出现的典型缺陷包括（a）材料粘贴（b）材料被去除和（c）辊痕。
y 轴上绘制真阳性率，然后计算此函
缺陷，则算法可以自动检测和分类生 分类变更 数下的面积（见图 5）。
产环境中最重要的生产缺陷（见图 3）。 Surfin' 系统最重要的一项最新发 理想情况下，该函数的值对于 x
基于 PC 的服务器用于存储来自 展，是用内部开发的候选窗口探测平 轴上的每个值都为 1.00，因此模型越
相机的图像、被发现的缺陷数据，以 台和用于缺陷分类的卷积神经网络 好，其 AUC 越接近 1。以这种方式，
及缺陷在钢管上位置，还将在 Oracle （CNN），来替代之前基于 SVM 的分 当比较几种模型时，可以通过取最高
数据库中存储压力、温度、速度信号、 类器。CNN 可以学习从训练图像中 AUC 值来选择最佳模型。虽然 SVM
通信和其他钢管生产数据的报警，用 提取表征每种类型缺陷的相关特征并 分类器的 AUC 值为 0.88，但是对于
于质量控制和可追溯性。还可以通过 执行分类，而 SVM 仅将其输入映射 两类分类情况，CNN-Surfin' 分类器
在连接到公司局域网（LAN）的计算 到可以揭示缺陷类别之间差异的一些 的 AUC 值为 0.997。
机上安装客户端应用，对服务器上的 高维空间。 此外，对于给定的模型，可以选
数据进行远程检查。 通过假定所有感兴趣的对象（例 择阈值以使系统能够决定样品是否有
自从该系统最初开发以来，已经 如缺陷）共享将它们与背景区分开的 缺陷。由于模型的输出通常是 0 和 1
经历了几次增强，系统的结构现在已 共同视觉属性，候选窗口探测平台输 之间的概率值，如果概率值大于阈值，
经过重新设计，能够更容易地对准和 出可能包含缺陷的一组区域。随后， 则样本将被标记为 NOK，否则标记
调整相机和调节照明。 CNN 提取学习特征，并且对图像数 为 OK。
较新版本的系统还采用了液体 据执行实际的缺陷分类。 通过将阈值移向 1.0，能以“增
而非空气制冷技术，使照明和传感 加假阴性的数量”为代价来减少假阳
器能够更靠近钢管放置，从而实现 Rates 性的数量，反之亦然。然后可以通过
更热或更大面积的钢管成像。美国 1.0
FPR = 1.58%
Metaphase Technologies 公司的 LED 0.8 FNR = 1.49% Rates
= 1 - FPR= 1 - FPR
光源也已经替代了早期的激光器，使 0.6 1.0 FPR = 1.58%
= 1 - FPR= 1 - FPR FNR = 1.49%
光源的寿命从 2000 小时增加到了 0.8
0.4 = 1 - FPR= 1 - FPR
50000 小时，并且消除了诸如散斑之 0.6
0.2 = 1 - FPR= 1 - FPR
类可能破坏相机捕获的图像的因素。 thr:
0.534 0.4
软件用户界面也得到了改进，现 0.0 0.2 0.4 0.6 0.8 1.0
Threshold 0.2 thr:
在工厂操作员能在钢材上出现缺陷
图5：在执行两类分类（如有缺陷与无缺陷）时， 0.534
时，看到它们的位置和特定属性（见 最相关的性能指标是AUC或ROC（接收器工作特 0.0 0.2 0.4 0.6 0.8 1.0
征）曲线下的面积。模型越好，AUC越接近1。 Threshold
图 4）。现在还可以在数据库上存储几 采用这种方式，当比较几种模型时，可以通过选 图6：对应于阈值的垂直线切割两条曲线的点，产
个月的生产数据，这样工厂经理就能 择最高的AUC来选出最佳模型。虽然SVM分类器 生假阳性率和假阴性率。阈值的常见选择是产生近
的AUC值为0.88，但是对于两类分类情况，CNN- 似相等的假阳性和假阴性率。对于CNN-Surfin'，
查看可能发生的任何错误的周期性， Surfin'分类器的AUC值为0.997。 假阳性率为1.58%，假阴性率为1.49%。
30 Mar/Apr 2017 视觉系统设计 Vision Systems Design China
