Оптимизированное детектирование дефектов в промышленности

О сервисе

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 Класс Точность Полнота F1-мера Кракелюр 92.31% 100.0% 96.00% Включения 92.31% 100.0% 96.00% Пятна 100.0% 100.0% 100.0% Изъеденная поверхность 100.0% 75.00% 85.71% Вкатанная окалина 92.31% 100.0% 96.00% Царапины 100.0% 100.0% 100.0% 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: 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 hajar001/optimized-industrual-defect-detection Источник: https://qubu.ai/models/optimizirovannoe-detektirovanie-defektov-v-promyshlennosti License: MIT