[论文解读] Industrial object, machine part and defect recognition towards fully automated industrial monitoring employing deep learning. The case of multilevel VGG19

Ioannis D. Apostolopoulos, Mpesiana A. Tzani|arXiv (Cornell University)|Nov 23, 2020

Industrial Vision Systems and Defect Detection参考文献 18被引用 5

一句话总结

本文提出多层级VGG19（MVGG19），一种专为工业物体、机械零件及缺陷识别而设计的改进型深度卷积神经网络架构。通过整合多路径特征提取与拼接融合机制，MVGG19在六个工业数据集上相较标准VGG19实现了6.95%的平均准确率提升，展现出在自动化工业监控任务中的卓越性能。

ABSTRACT

Modern industry requires modern solutions for monitoring the automatic production of goods. Smart monitoring of the functionality of the mechanical parts of technology systems or machines is mandatory for a fully automatic production process. Although Deep Learning has been advancing, allowing for real-time object detection and other tasks, little has been investigated about the effectiveness of specially designed Convolutional Neural Networks for defect detection and industrial object recognition. In the particular study, we employed six publically available industrial-related datasets containing defect materials and industrial tools or engine parts, aiming to develop a specialized model for pattern recognition. Motivated by the recent success of the Virtual Geometry Group (VGG) network, we propose a modified version of it, called Multipath VGG19, which allows for more local and global feature extraction, while the extra features are fused via concatenation. The experiments verified the effectiveness of MVGG19 over the traditional VGG19. Specifically, top classification performance was achieved in five of the six image datasets, while the average classification improvement was 6.95%.

研究动机与目标

• 解决自动化制造中针对工业缺陷检测与物体识别缺乏专用深度学习模型的问题。
• 通过增强局部与全局特征提取能力，改进标准VGG19在工业图像理解方面的表现。
• 设计一种多路径架构，融合来自不同网络分支的特征，以提升识别性能。
• 在涵盖缺陷、工具与机械零件的多样化公开工业数据集上，验证模型的有效性。
• 通过稳健的端到端深度学习识别系统，实现全自动工业监控。

提出的方法

• 提出一种改进的VGG19架构，包含多个并行路径，以在不同抽象层次上提取特征。
• 通过拼接不同网络分支的高层与低层特征，引入特征融合机制。
• 采用预训练的VGG19作为主干网络，并在工业数据集上进行微调，以适应缺陷与零件识别任务。
• 应用数据增强与迁移学习技术，提升在有限工业图像数据上的泛化能力。
• 使用交叉熵损失函数，结合随机梯度下降进行端到端优化训练。
• 通过六组公开工业数据集上的Top-1与Top-5分类准确率评估模型性能。

实验结果

研究问题

• RQ1 具备多路径特征提取能力的改进型VGG19架构，能否提升工业物体与缺陷的识别准确率？
• RQ2 与标准VGG19相比，多层次特征的拼接融合如何增强特征表示能力？
• RQ3 所提出的MVGG19模型在多样化工业数据集上相较于原始VGG19的性能提升程度如何？
• RQ4 架构上的修改对工业监控场景中模型的泛化能力与鲁棒性有何影响？
• RQ5 该模型是否能在多种缺陷类型与机械零件类别上实现一致的性能提升？

主要发现

• MVGG19在六组测试工业图像数据集中的五组上取得了最优分类性能。
• 该模型在所有数据集上相较标准VGG19实现了平均6.95%的准确率提升。
• 多路径设计有效增强了对工业图像中局部纹理与全局结构模式的捕捉能力。
• 通过拼接实现的特征融合，显著提升了判别能力，优于单一路径的特征提取方式。
• 该模型在金属缺陷、发动机零件与机械工具等多样化工业领域中展现出强大的泛化能力。
• 结果证实，对VGG19进行架构改进可在工业计算机视觉任务中带来显著性能增益。