-
题名基于分布鲁棒优化的工业图像异常识别方法
- 1
-
-
作者
徐素秀
王洋迪
高原
郭思尼
-
机构
北京理工大学管理学院
北京理工大学数字经济与政策智能工业和信息化部重点实验室
-
出处
《系统管理学报》
北大核心
2025年第4期1011-1027,共17页
-
基金
国家自然科学基金创新群体项目(72321002)
北京理工大学青年教师学术启动计划
国家自然科学基金资助项目(72071093,72171023,72201033)。
-
文摘
表面异常可能会导致工业产品在外观、质量及性能等方面出现缺陷,降低生产效率及增加安全风险,给生产企业带来经济与信誉损失。因此,工业产品表面异常的识别与检测至关重要。随着人工智能的快速发展,基于深度神经网络(DNNs)的计算机视觉识别方法迅速兴起,被广泛应用于工业产品的表面异常检测中。然而,由于表面异常数量稀少、类型多样且标注成本高昂,DNNs的识别准确率常受限制。针对上述问题,提出了应用标签平滑(label smoothing,LS)的分布鲁棒优化生成式(DRO-G)模型。该模型分为两个阶段:第1阶段中拓展LS的正则化效应,证明了该正则化项可用于生成新图像;第2阶段利用生成的图像训练DNNs进行异常识别。进一步地,构建标签平滑-随机梯度(LS-SG)算法对模型近似求解:该算法第1阶段通过梯度上升法将LS的正则化效应添加到现有图像并生成新样本;第2阶段则通过梯度下降法训练DNNs以识别异常图像。在MVTecAD数据集(涵盖grid、carpet、wood和screw 4种产品)上的多种表面异常数据进行仿真实验表明,所提LS-SG算法能够有效扩大产品表面异常图像数据集的规模,并在一定程度上提高DNNs对特定产品异常的识别准确率,同时展现出一定的抗噪能力。本研究不仅有助于企业提升产品质量与生产效率,也为工业图像异常识别与检测提供了创新性解决方案。
-
关键词
分布鲁棒优化
标签平滑
工业图像异常识别
-
Keywords
distributionally robust optimization
label smoothing(LS)
industrial image anomaly recognition
-
分类号
TP391.41
[自动化与计算机技术—计算机应用技术]
-
