DFDA-AD : یک رویکرد با معماری استخراج ویژگی دوگانه و سازوکار توجه دوگانه برای تشخیص ناهنجاری در تصاویر | ||
| مدل سازی در مهندسی | ||
| دوره 22، شماره 79، زمستان 1403، صفحه 45-57 اصل مقاله (1.12 M) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22075/jme.2024.31105.2484 | ||
| نویسنده | ||
| بابک مسعودی* | ||
| گروه مهندسی فناوری اطلاعات، دانشگاه پیام نور، تهران، ایران | ||
| چکیده | ||
| تشخیص و مکان یابی ساختارهای ناخواسته و یا ناهنجاری درون تصویر یکی از مسائل مهم در بینایی ماشین و بازرسی صنعتی است. پیچیدگی و متغیر بودن توزیع داده ها و نبود داده های برچسبدار از چالش های تشخیص ناهنجاری در تصاویر است. در سالهای اخیر روش های یادگیری عمیق نتایج امیدوارکنندهای برای حل مسائل تشخیص ناهنجاری در انواع داده و بخصوص در تصویر ارائه داده اند. در این مقاله معماری DFDA-AD که رویکردی بدون نظارت و مبتنی بر یادگیری عمیق است برای تشخیص ناهنجاری در تصاویر صنعتی پیشنهاد شده است. DFDA-AD شامل استخراج دوگانه ویژگی از تصاویر توسط شبکه های از پیش آموزش دیده DenseNet121 و ResNet50 است. دو سازوکار توجه در این مقاله بهبود و توسعه داده شده که نقشه ی ویژگی های مهمتر را برای خوشه بندی توسط الگوریتم K-means فراهم می کنند. ارزیابی عملکرد مدل بر روی مجموعه داده ی MVTec AD صورت پذیرفت که نتایج ارزیابی ها برای تشخیص و همچنین مکان یابی ناهنجاری در مقایسه با چندین رویکرد دیگر که اخیراً پیشنهاد شده اند، رضایت بخش بود. | ||
| کلیدواژهها | ||
| تصاویر صنعتی؛ تشخیص ناهنجاری؛ ساز و کار توجه؛ یادگیری انتقالی؛ یادگیری عمیق | ||
| مراجع | ||
|
| ||
|
آمار تعداد مشاهده مقاله: 581 تعداد دریافت فایل اصل مقاله: 543 |
||
| تعداد نشریات | 22 |
| تعداد شمارهها | 722 |
| تعداد مقالات | 10,383 |
| تعداد مشاهده مقاله | 72,838,600 |
| تعداد دریافت فایل اصل مقاله | 64,535,147 |