Fugu-MT 論文翻訳(概要): TLU-Net: A Deep Learning Approach for Automatic Steel Surface Defect Detection

論文の概要: TLU-Net: A Deep Learning Approach for Automatic Steel Surface Defect Detection

arxiv url: http://arxiv.org/abs/2101.06915v1
Date: Mon, 18 Jan 2021 07:53:20 GMT
ステータス: 処理完了
システム内更新日: 2021-03-27 15:56:42.365368
Title: TLU-Net: A Deep Learning Approach for Automatic Steel Surface Defect Detection
Title（参考訳）: TLU-Net:鉄鋼表面欠陥の自動検出のための深層学習手法
Authors: Praveen Damacharla, Achuth Rao M. V., Jordan Ringenberg, and Ahmad Y Javaid
Abstract要約: ほとんどの鉄鋼製造業は、まだ手動視覚検査を使用しています。転向学習に基づくu-netフレームワークを用いた鋼材欠陥検出手法を提案する。
参考スコア（独自算出の注目度）: 3.9548535445908928
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Visual steel surface defect detection is an essential step in steel sheet manufacturing. Several machine learning-based automated visual inspection (AVI) methods have been studied in recent years. However, most steel manufacturing industries still use manual visual inspection due to training time and inaccuracies involved with AVI methods. Automatic steel defect detection methods could be useful in less expensive and faster quality control and feedback. But preparing the annotated training data for segmentation and classification could be a costly process. In this work, we propose to use the Transfer Learning-based U-Net (TLU-Net) framework for steel surface defect detection. We use a U-Net architecture as the base and explore two kinds of encoders: ResNet and DenseNet. We compare these nets' performance using random initialization and the pre-trained networks trained using the ImageNet data set. The experiments are performed using Severstal data. The results demonstrate that the transfer learning performs 5% (absolute) better than that of the random initialization in defect classification. We found that the transfer learning performs 26% (relative) better than that of the random initialization in defect segmentation. We also found the gain of transfer learning increases as the training data decreases, and the convergence rate with transfer learning is better than that of the random initialization.
Abstract（参考訳）: 視覚的鋼板表面欠陥検出は鋼板製造における必須ステップである。近年,機械学習に基づく自動視覚検査(AVI)手法が研究されている。しかし、ほとんどの製鋼業では、AVI法に関連するトレーニング時間や不正確さのために、手動の視覚検査が使われている。自動鋼の欠陥検出法は、安価でより高速な品質制御とフィードバックに有用である。しかし、セグメンテーションと分類のための注釈付きトレーニングデータを作成するのはコストがかかる。本研究では,鋼表面欠陥検出にTransfer Learning-based U-Net(TLU-Net)フレームワークを提案する。ベースとしてU-Netアーキテクチャを使用し、ResNetとDenseNetの2種類のエンコーダを探索する。これらのネットの性能をランダム初期化とimagenetデータセットを用いてトレーニングした事前学習ネットワークを用いて比較する。実験はSeverstalデータを用いて行われる。その結果, 伝達学習は欠陥分類におけるランダム初期化よりも5%(絶対的)に優れることがわかった。その結果,伝達学習は欠陥分割のランダム初期化よりも26%(相対的)に優れることがわかった。また, 学習データの減少に伴い, 転校学習の利得は増加し, 転校学習による収束率はランダム初期化よりも優れていることがわかった。
全文参考訳へのリンク