Аналiз деяких методiв розв’язання задачi розпiзнавання дефектiв на зображеннях

Abstract

Задача розпiзнавання дефектiв користується широкою популярнiстю, особливо її застосування на iндустрiальних заводах, де об’єкти виготовляються десятками тися- чами на день та можуть мiстити дефекти. Об’єкти з дефектами потрiбно вiддiлити вiд загальної маси об’єктiв, для того щоб фiнальний споживач отримав як найякiснiший товар. Але перш нiж вiддiлити дефектнi об’єкти, їх потрiбно знайти, отже розпiзнати. У данiй роботi проаналiзовано найпопулярнiшi методи для розв’язання задачi роз- пiзнавання дефектiв, коли вхiднi данi є зображення. Розглянуто застосування як iсну- ючих автоматизованих рiшень, так i застосування методiв на основi згорткових ней- ромереж, а саме нейроннi мережi сегментацiї та детекцiї, якi користуються широкою популярнiстю наразi. Проведено огляд даних методiв та зроблено порiвняльний аналiз рiзних класiв методiв на основi таких факторiв як: вимоги до вхiдних даних та вимоги до обчислювальних потужностей. Ключовi слова: задача розпiзнавання дефектiв, конволюцiйнi нейромережi, моделi сегментацiї та детекцiї.

The problem of defect detection is widely popular, especially its application in industrial plants, where objects are produced in tens of thousands per day and can create defects. Objects with defects must be separated from the total mass of objects in order for the final consumer to receive the largest product. But before separating defective objects, they need to be found, therefore recognized. This paper analyzes the most popular methods for solving the problem of defect detection when the input data is an image. The use of both existing automated solutions and the use of methods based on convolutional neural networks, namely neural networks of segmentation and detection, which are currently widely popular, are considered. A review of these methods was conducted and a comparative analysis of different classes of methods was made based on such factors as: requirements for input data and requirements for computing power. Keywords: Surface Defect Detection, Convolutional Neural Networks, Semantic Segmentation and Object Detection.