Abstrakt:

Konstruowanie systemów wykrywania wad tekstyliów ma duże znaczenie dla kontroli jakości w produkcji przemysłowej, ale etykietowanie wystarczająco szczegółowych próbek jest kosztowne i pracochłonne. W artykule zaproponowano model zwany „przestrzenną przeciwstawną splotową siecią neuronową”, który próbuje rozwiązać powyższy problem jedynie przy użyciu etykiety na poziomie obrazu. Składa się z dwóch części: ekstraktora fabuły i konkursu fabularnego. Po pierwsze, ciąg bloków splotowych jest używany jako ekstraktor cech. Po wyodrębnieniu cech dochodzi do maksymalnej zachłannej konkurencji między funkcjami w warstwie cech. Mechanizm współzawodnictwa cech może doprowadzić do konwergencji sieci do lokalizacji defektu. Aby ocenić ten mechanizm, przeprowadzono eksperymenty na dwóch zbiorach danych. Wraz ze wzrostem czasu szkolenia model może spontanicznie skupić się na rzeczywistej wadliwej lokalizacji i jest odporny na niezrównoważoną próbkę. Dokładność klasyfikacji obu zbiorów danych może sięgać ponad 98% i jest porównywalna ze szczegółową metodą znakowania próbek. Wyniki detekcji pokazują, że lokalizacja defektu z modelu jest bardziej zwarta i dokładna niż w metodzie Grad-CAM. Eksperymenty pokazują, że zaprezentowany model ma potencjalne zastosowanie do wykrywania defektów w środowisku przemysłowym.