Обзор современных моделей обнаружения дефектов на основе глубоких сверточных нейронных сетей

Введение: В последние годы глубокое обучение демонстрирует впечатляющие результаты по сравнению с традиционными алгоритмами компьютерного зрения в самых разных приложениях. Модели глубокого обучения превосходят традиционные методы как по точности, так и по времени обработки. После победы модели глубокого обучения в конкурсе ImageNet по распознаванию изображений стало очевидно, что это направление исследований обладает большим потенциалом. Кроме того, рост эффективности распознавания стимулировал прикладные исследования и появление новых областей применения глубокого обучения, одной из которых стало обнаружение дефектов, или визуальный контроль дефектов. В последние годы модели глубокого обучения демонстрировали всё более высокую точность на сложных тестовых наборах данных, используемых для сравнительной оценки. Этот рост точности и распространённости методов поддерживается не только увеличением числа исследователей, работающих в данной области, но и последовательными достижениями в вычислительной технике: появлением более мощных графических и центральных процессоров, а также совершенствованием вычислительных средств — библиотек и программных платформ.

Цель обзора: Представить структурированный и аналитический обзор существующих популярных моделей обнаружения объектов, которые можно адаптировать для обнаружения дефектов, включая сверточные нейронные сети на основе регионов, YOLO (You Only Look Once), однопроходные детекторы SSD (Single Shot Detector) и каскадные архитектуры. Также приведён краткий обзор методов сжатия и ускорения моделей, благодаря которым стало возможным использование моделей обнаружения на мобильных и периферийных устройствах.

Основные научные положения обзора: Для дальнейшего развития обрабатывающей промышленности особенно важно, что многие популярные модели, упомянутые выше, легко адаптировать для обнаружения дефектов; это может существенно повысить производительность отрасли. В проведённом эксперименте модель YOLOv4 обучили и адаптировали для обнаружения промышленных кабелей всего за несколько часов. В зависимости от специфики задачи необходимые вычислительные ресурсы может обеспечить обычный компьютер или высокопроизводительная настольная система. Таким образом, доступ к требуемым вычислительным ресурсам становится более достижимым для предприятий любого масштаба.