Análise de métodos de data augmentation para melhoria do desempenho de uma rede neural de detecção de defeitos em superfícies metálicas

Abstract

Métodos de visão computacional e aprendizado de máquina estão sendo cada vez mais utilizados em ambientes industriais. Sistemas de inspeção visual automáticos permitem um monitoramento em tempo real e não destrutivo da produção, enquanto o uso de redes neurais permite a elaboração de soluções genéricas e adaptativas, sem a necessidade de programar e calibrar manualmente cada cenário de inspeção. Porém, um problema comum em soluções de aprendizado de máquina é a dificuldade de se obter um conjunto de dados suficientemente grande para o treinamento adequado de uma rede neural. Uma solução para esse problema é a criação de dados sintéticos a partir das imagens disponíveis. Neste trabalho, serão propostos dois métodos de data augmentation para melhorar as métricas de uma rede mista de detecção de defeitos em superfícies metálicas. Os métodos serão avaliados utilizando dois bancos de dados, e serão realizados testes com diversas proporções entre dados completamente classificados, em que se tem a informação píxel a píxel da localização dos defeitos, e fracamente classificados, em que se tem apenas a informação da presença ou ausência de defeitos a nível de imagem.

Computer vision and machine learning based methods are being increasingly used in an industrial context. Automated visual inspection systems allow real time and nondestructive production monitoring, while neural networks allow the development of generic and adaptive solutions, without the need to program and calibrate each inspection scenario. However, machine learning based solutions usually need a big training dataset, and in many applications it is hard to obtain a big enough dataset for an adequate training. A common solution for this problem is to augment the dataset with the creation of synthetic data. The current study proposes two data augmentation methods to improve the metrics of a mixed supervision surface-defect detection network. Both methods will be evaluated using two different datasets and different proportions of weakly and strongly labelled data for each dataset. With strongly labelled data, the image contains pixel-wise information of the defects location, and with weakly labeled data there is no segmentation mask, only the information that there is a defect in the image.