CHƯƠNG 1 TỔNG QUAN VỀ ĐỀ TÀI
1.2 Tổng quan về công nghệ học máy, học sâu và xử lý ảnh ứng dụng
1.2.4 Tổng quan nghiên cứu các hệ thống kiểm tra ngoại quan sản
Bất chấp những tiến bộ công nghệ mới đạt được trong thập kỷ qua, các hệ thống kiểm tra ngoại quan sản phẩm vẫn đang phát triển. Nó ngày càng thu hút sự chú ý từ cộng đồng các nhà nghiên cứu đểthúc đẩy phát triển các phương pháp mới, cải tiến nâng cao độ chính xác trên các phương pháp hiện có. Với sự tiến bộ của cơng nghệ phần cứng, các chip xử lý ngày càng mạnh mẽhơn đã giúp cho ngành trí tuệ nhân tạo ngày càng phát triển và ứng dụng nhiều trong thực tế. Một trong những bài tốn là ứng dụng cơng nghệ học sâu, thị giác máy vào quá trình kiểm tra ngoại quan sản phẩm. Các dự án nghiên cứu, bài báo dưới đây cung cấp cái nhìn tổng quan về các thuật tốn, thành tựu đạt được khi áp dụng cơng nghệ vào kiểm tra ngoại quan sản phẩm.
Shuang Mei, Yudan Wang và Guojun Wen đề xuất một phương pháp tiếp cận tự động dựa trên học tập không giám sát để phát hiện và khoanh vùng các khuyết tật của vải mà không cần bất kỳ sự can thiệp thủ công nào. Cách tiếp cận này được sử dụng để tái tạo các bản vá hình ảnh với một mạng lưới tựđộng mã hóa phức tạp ở
24 nhiều cấp độ kim tựtháp Gaussian và để tổng hợp kết quả phát hiện từ các kênh độ phân giải tương ứng. Phần dư tái tạo của mỗi bản vá hình ảnh được sử dụng làm chỉ báo cho dự đoán trực tiếp theo pixel. Bằng cách phân đoạn và tổng hợp bản đồ dư tái tạo ở mỗi cấp độ phân giải, kết quả kiểm tra cuối cùng có thểđược tạo ra. Kết quả thử nghiệm chứng minh rằng mơ hình được đề xuất là mạnh mẽ và mang lại hiệu suất tổng thể tốt với độ chính xác cao và tỷ lệ thu hồi có thể chấp nhận được. Độ chính xác mơ hình đề xuất thu được là 83.8% trên tập dữ liệu 62 mẫu lỗi vải.
Jiawei Yu, Ye Zheng, Xiang Wang, Wei Li, Yushuang Wu, Rui Zhao, Liwei Wu đề xuất FastFlow được triển khai với các luồng chuẩn hóa 2D và sử dụng nó làm cơng cụước tính phân phối xác suất. FastFlow của chúng tơi có thểđược sử dụng như một mơ-đun plug-in với các trình trích xuất tính năng sâu tùy ý như ResNet và biến thịgiác để phát hiện và bản địa hóa bất thường khơng được giám sát. Trong giai đoạn đào tạo, FastFlow học cách chuyển đổi đặc điểm hình ảnh đầu vào thành một phân phối có thể kiểm sốt và có được khảnăng nhận ra các điểm bất thường trong giai đoạn suy luận. Kết quả thử nghiệm mở rộng trên tập dữ liệu MVTec AD cho thấy FastFlow vượt qua các phương pháp hiện đại trước đây về độ chính xác và hiệu quả suy luận với các mạng xương sống khác nhau. Phương pháp của chúng tôi đạt được 99,4% AUROC trong phát hiện bất thường và 98.5% AUROC trong phân đoạn bất thường với hiệu quả suy luận cao.
Karsten Roth, Latha Pemula, Joaquin Zepeda, Bernhard Scholkopf, Thomas Brox, Peter Gehler đề xuất mơ hình để giải quyết vấn đề cold-start: chỉ phù hợp(fit) với một mơ hình bằng cách sử dụng hình ảnh ví dụ danh nghĩa (khơng bị lỗi). Trong bài báo này, chúng tôi mở rộng dịng cơng việc này và đề xuất PatchCore, sử dụng một ngân hàng bộ nhớ đại diện tối đa cho các bản vá lỗi danh nghĩa. PatchCore cung cấp thời gian suy luận cạnh tranh đồng thời đạt được hiệu suất hiện đại cho cả phát hiện và bản địa hóa. Trên điểm chuẩn MVTec AD được sử dụng rộng rãi, đầy thửthách, PatchCore đạt được điểm AUROC phát hiện bất thường ở cấp độ hình ảnh lên đến 99,6%, điểm AUROC phân đoạn bất thường đạt 98.4%.