Оптимизированное детектирование дефектов в промышленности

Что умеет эта модель?

Данная модель представляет собой легковесную, готовую к производству систему компьютерного зрения для обнаружения дефектов промышленных поверхностей в реальном времени. Она разработана с учетом строгих ограничений развертывания: работа только на CPU, низкое потребление памяти (612 КБ) и низкая задержка (3.2 мс).

Ключевые особенности:

• Вывод в реальном времени на CPU
• Компактный размер модели (<5 МБ)
• Детерминированные и стабильные предсказания
• Устойчивость к шуму, текстуре и изменениям освещения
• Оптимизирована с помощью дистилляции знаний + структурированного прунинга

Метрики качества

Модель достигает отличных показателей по всем метрикам оценки:

• Точность: 95.83%
• Макро-точность: 96.15%
• Макро-полнота: 95.83%
• Макро F1-мера: 95.62%
• Взвешенная точность: 96.15%
• Взвешенная полнота: 95.83%
• Взвешенная F1-мера: 95.62%

Производительность по классам

Как обучена модель?

Данный репозиторий реализует конвейер дистилляции знаний по принципу «учитель-ученик», где сначала обучается мощная нейросеть-учитель, затем небольшая сеть-ученик дистиллируется и обрезается для реального развертывания. Полученная модель достигает высокой точности, будучи оптимизированной для сред с ограниченными ресурсами.

Модель обучена на наборе данных NEU Surface Defect Dataset, который содержит изображения стальных поверхностей в оттенках серого с текстурными дефектами шести классов:

Характеристики набора данных:

• 6 классов дефектов
• Изображения в оттенках серого на основе текстуры
• Небольшой размер набора данных с высокой внутриклассовой вариабельностью
• Дефекты поверхности, характерные для промышленности

Архитектура модели:

Модель-учитель

• Основа (Backbone): EfficientNet-B0 (предварительно обученная на ImageNet)
• Стратегия обучения: Двухэтапная донастройка
  • Замораживание основы, обучение классификационной головы
  • Размораживание последних блоков для адаптации к домену
• Выход: Стабильные логиты, используемые для дистилляции

Модель-ученик

Пользовательская TinyCNN, разработанная специально для развертывания на CPU.

Конвейер обучения:

1. Дистилляция знаний: Ученик учится как на реальных метках, так и на мягких вероятностях учителя.

Применение

Модель идеально подходит для промышленных сценариев, где требуется быстрое и точное обнаружение дефектов на поверхностях, особенно в условиях ограниченных вычислительных ресурсов и необходимости работы в реальном времени. Например, в производстве металлопроката, автомобильной промышленности и других областях, где важен контроль качества поверхности.

Ссылки