ivdon3@bk.ru
Данная статья посвящена разработке метода обнаружения дефектов на поверхности изделия на основе методов выявления аномалий с использованием экстрактора признаков, основанного на сверточной нейронной сети. Метод предполагает использование машинного обучения для обучения моделей классификации на основе полученных признаков со слоя предварительно обученной нейросети U-Net. В рамках исследования происходит обучение автоэнкодера на основе модели U-Net на данных, не содержащих изображений дефектов. Полученные из нейросети признаки классифицируются с помощью классических алгоритмов выявления аномалий в данных. Данный метод позволяет локализовать области аномалий в тестовой выборке данных, когда для обучения доступны только образцы без аномалий. Предлагаемый метод не только предоставляет возможность обнаружения аномалий, но и обладает высоким потенциалом для автоматизации процессов контроля качества в различных отраслях промышленности, включая производство, медицину и информационную безопасность. Благодаря преимуществам моделей машинного обучения без учителя, таких как устойчивость к неизвестным формам аномалий, данный метод может значительно улучшить эффективность контроля качества и диагностику, что в свою очередь сократит расходы и повысит производительность. Предполагается, что дальнейшие исследования в этой области приведут к еще более точным и надежным методам выявления аномалий, что будет способствовать развитию индустрии и науки.
Ключевые слова: U-Net, нейросеть, классификация, аномалия, дефект, классификация новых признаков, автоэнкодер, машинное обучение, изображение, качество изделия, производительность