Аналіз деяких методів розв'язання задачі розпізнавання дефектів на зображеннях
DOI:
https://doi.org/10.24144/2616-7700.2022.41(2).141-150Ключові слова:
задача розпізнавання дефектів, конволюційні нейромережі, моделі сегментації та детекціїАнотація
Задача розпізнавання дефектів користується широкою популярністю, особливо її застосування на індустріальних заводах, де об'єкти виготовляються десятками тисячами на день та можуть містити дефекти. Об'єкти з дефектами потрібно відділити від загальної маси об'єктів, для того щоб фінальний споживач отримав як найякісніший товар. Але перш ніж відділити дефектні об'єкти, їх потрібно знайти, отже розпізнати.
У даній роботі проаналізовано найпопулярніші методи для розв'язання задачі розпізнавання дефектів, коли вхідні дані є зображення. Розглянуто застосування як існуючих автоматизованих рішень, так і застосування методів на основі згорткових нейромереж, а саме нейронні мережі сегментації та детекції, які користуються широкою популярністю наразі. Проведено огляд даних методів та зроблено порівняльний аналіз різних класів методів на основі таких факторів як: вимоги до вхідних даних та вимоги до обчислювальних потужностей.
Посилання
- Defect detection market report. Retrieved from: https://www.marketsandmarkets.com/MarketReports/defect-detection-market-124751233.html
- Machine Vision Survey. Retrieved from: https://landing.ai/wp-content/uploads/2020/11/MachineVisionSurvey.pdf
- Voulodimos, A., Doulamis, N., Doulamis, A., & Protopapadakis, E. (2018). Deep Learning for Computer Vision: A Brief Review. Computational Intelligence and Neuroscience, 1–13. https://doi.org/10.1155/2018/7068349
- Sinha, R., Pandey, R., & Pattnaik, R. (2018). Deep Learning For Computer Vision Tasks: A review. International Conference on Intelligent Computing and Control.
- Dargan, S., Kumar, M., Ayyagari, M. R., & Kumar, G. (2020). A survey of deep learning and its applications: a new paradigm to machine learning. Archives of Computational Methods in Engineering, 27(4), 1071–1092.
- Sharkadi, M., Robotyshyn, M., & Malyar, M. (2020). Machine Learning Models and Methods for forecasting problems. Scientific Bulletin of Uzhhorod University. Series Of Mathematics and Informatics, 1(36), 112–122. https://doi.org/10.24144/2616-7700.2020.1(36).112-122 [in Ukrainian].
- Deep learning architectures. Retrieved from: https://programmathically.com/deep-learningarchitectures-for-object-detection-yolo-vs-ssd-vs-rcnn/
- Semantic image segmentation. Retrieved from: https://nanonets.com/blog/semantic-imagesegmentation-2020/
- Transformers in computer vision. Retrieved from: https://www.edge-ai-vision.com/2022/05/transformers-in-computer-vision/
- Skoryk, A., Chyrka, Y., Gorovyi, I., Grechnyev, O., & Vyplavin, P. (2020). Comparative Analysis of Classic Computer Vision Methods and Deep Convolutional Neural Networks for Floor Segmentation, 2020 IEEE Third International Conference on Data Stream Mining & Processing (DSMP), 217–221. https://doi.org/10.1109/DSMP47368.2020.9204339.
- Robotyshyn, M., Sharkadi, M., & Malyar, M. (2021). Surface defect detection based on deep learning approach. International Scientific Symposium «Intelligent Solutions», 32–44.
##submission.downloads##
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія
Авторське право (c) 2022 М. В. Роботишин, М. М. Маляр
Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.
Автори залишають за собою право на авторство своєї роботи та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons Attribution License, котра дозволяє іншим особам вільно розповсюджувати опубліковану роботу з обов'язковим посиланням на авторів оригінальної роботи та першу публікацію роботи у цьому журналі.
