[論文レビュー] A Robust Completed Local Binary Pattern (RCLBP) for Surface Defect Detection

Nana Kankam Gyimah, Abenezer Girma+4 more|arXiv (Cornell University)|Dec 7, 2021

Industrial Vision Systems and Defect Detection被引用数 8

ひとこと要約

本稿では、ノイズ低減のための非局所平均フィルタリングとウェーブレットしきい値処理を組み合わせた、ロバストなコンプリート・ローカル・バイナリープアターン（RCLBP）フレームワークを提案する。その後にコンプリート・ローカル・バイナリープアターン（CLBP）特徴抽出を適用し、表面欠険検出を向上させる。本手法は、照明の変動、クラス内変動、クラス間類似性に対しても高いロバスト性を示し、高レベルの加法的ガウスノイズ（SNR=20dB）下でも良好な性能を維持する。重み付きF1スコアは0.29を記録し、ノイズ下でのLBPおよびCLBPを上回る性能を発揮する。

ABSTRACT

In this paper, we present a Robust Completed Local Binary Pattern (RCLBP) framework for a surface defect detection task. Our approach uses a combination of Non-Local (NL) means filter with wavelet thresholding and Completed Local Binary Pattern (CLBP) to extract robust features which are fed into classifiers for surface defects detection. This paper combines three components: A denoising technique based on Non-Local (NL) means filter with wavelet thresholding is established to denoise the noisy image while preserving the textures and edges. Second, discriminative features are extracted using the CLBP technique. Finally, the discriminative features are fed into the classifiers to build the detection model and evaluate the performance of the proposed framework. The performance of the defect detection models are evaluated using a real-world steel surface defect database from Northeastern University (NEU). Experimental results demonstrate that the proposed approach RCLBP is noise robust and can be applied for surface defect detection under varying conditions of intra-class and inter-class changes and with illumination changes.

研究の動機と目的

• 既存の表面欠険検出手法におけるノイズ感受性、特にLBPおよびCLBP特徴に対する課題を解決すること。
• 産業的表面検査におけるクラス内欠険変動およびクラス間欠険類似性に対する耐性を高めること。
• ハイブリッドノイズ除去および特徴抽出パイプラインにより、照明および素材条件の変動に対しても性能を向上させること。
• 高レベルの加法的ガウスノイズ下でも高い検出精度を維持できる安定したノイズ耐性フレームワークを構築すること。
• 実世界の鋼鉄表面欠陥データセット（NEU-DET）を用い、制御された状態およびノイズ下での評価を実施すること。

提案手法

• 2段階の前処理パイプラインを適用：まず、非局所（NL）平均フィルタを用いてノイズを低減しつつエッジおよびテクスチャを保持する。
• 次に、ウェーブレットしきい値処理を適用して残存ノイズをさらに抑制し、特徴抽出前の画像品質を向上させる。
• ノイズ除去済み画像にコンプリート・ローカル・バイナリープアターン（CLBP）を適用し、回転およびグレースケール不変なテクスチャ特徴を抽出する。
• 抽出されたCLBP特徴を複数の分類器（例：KNN、SVM、RF、GNB、DT）に供給し、欠陥分類およびモデル評価を実施する。
• フレームワークは、さまざまな信号対ノイズ比（SNR）条件下でNEU-DETデータセットに対して評価される。
• 性能は、すべての欠陥クラスにおける重み付き平均精度、再現率、F1スコアを用いて測定される。

実験結果

リサーチクエスチョン

• RQ1 提案されたRCLBPフレームワークは、LBPおよびCLBPと比較して、高レベルの加法的ガウスノイズ下でどのように性能を発揮するか？
• RQ2 NL-平均法とウェーブレットしきい値処理の組み合わせは、表面欠陥画像において、ノイズ低減とテクスチャ・エッジ情報の保持を効果的に実現できるか？
• RQ3 ノイズ下において、CLBPはクラス内欠陥変動およびクラス間欠陥類似性の区別をどの程度向上できるか？
• RQ4 RCLBPフレームワークは、照明および素材条件の変動下でも高い検出精度を維持できるか？
• RQ5 SNRレベルの変動に応じて、RCLBPフレームワークはベースライン手法（LBP、CLBP）と比較して、耐性および一般化性能において優れているか？

主な発見

• SNR=50dBでは、RCLBPは全分類器で重み付き平均F1スコア0.98を維持し、ノイズなしベースラインと同等の性能を示す。
• SNR=40dBでは、RCLBPは重み付き平均F1スコア0.91を達成し、KNN分類器においてLBP（0.46）およびCLBP（0.74）を顕著に上回る。
• SNR=30dBでは、RCLBPは重み付き平均F1スコア0.70を達成し、精度と再現率はそれぞれ0.78および0.72を記録するが、LBPおよびCLBPは著しく性能を低下させる。
• SNR=20dBでは、RCLBPは重み付き平均F1スコア0.29を維持し、精度と再現率はそれぞれ0.39を記録し、最高レベルのノイズ下でも顕著なロバスト性を示す。
• RCLBPフレームワークは、全SNRレベルおよび全分類器において、LBPおよびCLBPを一貫して上回り、特に高ノイズ下での有効な前処理のおかげである。
• ノイズ除去パイプラインは、欠陥のテクスチャおよびエッジを効果的に保持しており、CLBPがノイズ下でも安定的かつ特徴的な特徴を抽出できるようにしている。