Algorytmy detekcji defektów powierzchniowych
Spis treści
Wprowadzenie
Detekcja defektów powierzchniowych to jedno z najczęstszych zastosowań computer vision w kontroli jakości. Obejmuje wykrywanie rys, wgnieceń, przebarwień, odprysków oraz innych nieprawidłowości widocznych na powierzchni produktu.
Metody klasyczne
Klasyczne podejścia opierają się na analizie tekstury, gradientów jasności oraz porównaniu obrazu z wzorcem referencyjnym (tzw. golden template). Metody te sprawdzają się dobrze przy stabilnych warunkach oświetleniowych i produktach o powtarzalnym wyglądzie, wymagają jednak ręcznego dostrojenia parametrów dla każdego typu defektu.
Metody oparte na głębokim uczeniu
Sieci konwolucyjne pozwalają na wykrywanie defektów o zróżnicowanym kształcie i rozmiarze bez konieczności ręcznego definiowania cech charakterystycznych. Wymagają jednak odpowiednio licznego i zróżnicowanego zbioru danych treningowych obejmującego zarówno produkty prawidłowe, jak i różne rodzaje defektów.
Dobór metody do zastosowania
Wybór między podejściem klasycznym a opartym na głębokim uczeniu zależy od zmienności wyglądu produktu, dostępności danych treningowych oraz wymaganej elastyczności systemu wobec nowych typów defektów pojawiających się w czasie eksploatacji linii.
Pytania i odpowiedzi
Czy metody klasyczne są przestarzałe?
Nie — w wielu zastosowaniach o stabilnych warunkach produkcyjnych metody klasyczne pozostają skuteczne i wymagają mniej zasobów obliczeniowych niż podejścia oparte na głębokim uczeniu.
Ile zdjęć referencyjnych potrzeba do treningu modelu głębokiego?
Liczba zależy od złożoności defektu i zmienności produktu — w praktyce potrzebne są zbiory liczące od kilkuset do kilku tysięcy przykładów obejmujących różne warianty defektów.
