[논문 리뷰] A Robust Completed Local Binary Pattern (RCLBP) for Surface Defect Detection

Nana Kankam Gyimah, Abenezer Girma외 4명|arXiv (Cornell University)|2021. 12. 07.

Industrial Vision Systems and Defect Detection인용 수 8

한 줄 요약

이 논문은 잡음 감소를 위해 비국소 평균 필터링과 웨이블릿 임계치 처리를 조합한 강건한 완전 로컬 이진 패턴(RCLBP) 프레임워크를 제안한다. 이는 표면 결함 탐지 성능을 향상시키기 위해 완전 로컬 이진 패턴(CLBP) 특징을 추출하는 방식이다. 이 방법은 다양한 조명 조건, 내부 클래스 변동성, 그리고 외부 클래스 유사성에 대해 높은 강건성을 유지하며, 추가 가우시안 잡음(SNR=20dB) 조건에서도 뛰어난 성능을 보이며, 가중치 F1 스코어 0.29를 기록하여 LBP와 CLBP보다 높은 성능을 보인다.

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.

연구 동기 및 목표

• 기존 표면 결함 탐지 방법에서의 잡음 민감성 문제, 특히 LBP 및 CLBP 특징에 대해 해결하고자 한다.
• 산업적 표면 검사에서 내부 클래스 결함 변동성과 외부 클래스 결함 유사성에 대해 강건성을 향상시키고자 한다.
• 하이브리드 디노이징 및 특징 추출 파이프라인을 통해 다양한 조도 및 재질 조건에서도 성능을 향상시키고자 한다.
• 높은 수준의 추가 가우시안 잡음 조건에서도 높은 탐지 정확도를 유지하는 안정적이고 잡음에 강건한 프레임워크를 개발하고자 한다.
• 실제 강철 표면 결함 데이터셋(NEU-DET)을 대상으로 제어된 조건과 잡음 조건에서 프레임워크를 평가하고자 한다.

제안 방법

• 두 단계로 구성된 전처리 파이프라인을 적용한다: 첫 번째로, 비국소(NL) 평균 필터를 통해 노이즈를 감소시키면서도 경계와 텍스처를 유지한다.
• 두 번째 단계로, 잔여 노이즈를 추가로 억제하기 위해 웨이블릿 임계치 처리를 적용하여 특징 추출 전 이미지 품질을 향상시킨다.
• 노이즈 제거된 이미지에 대해 완전 로컬 이진 패턴(CLBP)을 적용하여 회전 및 회색조에 불변하는 특징을 추출한다.
• 추출된 CLBP 특징은 다수의 분류기(KNN, SVM, RF, GNB, DT)에 입력되어 결함 분류 및 모델 평가를 수행한다.
• 프레임워크는 다양한 신호 대 잡음비(SNR) 조건에서 NEU-DET 데이터셋을 대상으로 평가된다.
• 성능는 모든 결함 클래스에 대해 가중 평균 정밀도, 재현도, F1 스코어로 측정된다.

실험 결과

연구 질문

• RQ1 제안된 RCLBP 프레임워크는 LBP 및 CLBP와 비교해 높은 수준의 추가 가우시안 잡음 조건에서 어떻게 성능을 발휘하는가?
• RQ2 NL-means와 웨이블릿 임계치 처리의 조합이 표면 결함 영상에서 노이즈를 감소시키면서도 텍스처 및 경계 정보를 효과적으로 유지할 수 있는가?
• RQ3 노이즈 조건에서 CLBP는 내부 클래스 결함 변동성과 외부 클래스 결함 유사성 간의 분류 성능 향상에 어느 정도 기여하는가?
• RQ4 RCLBP 프레임워크는 다양한 조도 및 재질 조건에서도 높은 탐지 정확도를 유지하는가?
• RQ5 RCLBP 프레임워크는 LBP 및 CLBP 기반 기준 모델과 비교해 다양한 SNR 수준에서 강건성과 일반화 성능 측면에서 어떻게 뛰어나게 되는가?

주요 결과

• SNR=50dB 조건에서 RCLBP는 모든 분류기에서 가중 평균 F1 스코어 0.98을 기록하며, 노이즈 없는 기준 성능과 동일한 성능을 유지한다.
• SNR=40dB 조건에서 RCLBP는 가중 평균 F1 스코어 0.91을 기록하며, KNN 분류기에서 LBP(0.46)와 CLBP(0.74)를 크게 앞서나간다.
• SNR=30dB 조건에서 RCLBP는 가중 평균 F1 스코어 0.70을 기록하며, 정밀도 0.78, 재현도 0.72를 기록한다. 반면 LBP와 CLBP는 성능이 크게 저하된다.
• SNR=20dB 조건에서 RCLBP는 가중 평균 F1 스코어 0.29를 기록하며, 정밀도와 재현도 모두 0.39를 기록하여 가장 높은 잡음 수준에서도 뚜렷한 강건성을 입증한다.
• RCLBP 프레임워크는 모든 SNR 수준과 분류기에서 LBP 및 CLBP를 일관되게 뛰어넘으며, 특히 높은 잡음 조건에서 효과적인 전처리 덕분이다.
• 디노이징 파이프라인은 결함 텍스처와 경계를 효과적으로 유지하여, 노이즈 조건에서도 CLBP가 안정적이고 구분력 있는 특징을 추출할 수 있도록 한다.