了解更多方案細節，歡迎您訪問官網（Neurocle | 友思特 機器視覺 光電檢測 ）

導讀

深度學習模型幫助工業生產實現更加精確的缺陷檢測，但其準確性可能受制于數據樣本的數量。友思特 Neuro-T 視覺平臺克服了數據缺乏狀況的困難，通過零代碼設置GAN模型和無監督學習模型，輕松實現缺陷圖像的標注、繪制和導出。

工業應用中存在較多的缺陷檢測需求。針對缺陷檢測需求，常見的解決方案有兩種：

基于目標正常圖像數據的模板匹配；

訓練深度學習模型檢測目標缺陷。

其中，第2種方式具有更強的魯棒性和泛化能力。然而由于深度學習模型的準確率跟數據量的大小掛鉤，深度學習缺陷檢測方案面臨著缺乏足夠的缺陷樣本進行模型訓練的問題。

友思特推出 Neuro-T 機器視覺軟件平臺，通過GAN和無監督學習模型兩種不同的手段，以兩種不同的方式形成數據缺乏場景的缺陷檢測方案。

友思特Neuro-T支持的深度學習模型類型

友思特 Neuro-T 支持八種不同的深度學習模型。

其中，GAN通過少量缺陷樣本，訓練缺陷生成模型并生成大量缺陷圖像，從而解決缺陷數據缺乏的問題；無監督學習模型中的異常分類和異常分割，只需用大量正常的圖像數據和少量的缺陷圖像進行訓練，即可輸出檢測異常圖像的深度學習模型。

有監督學習模型

模型訓練數據包括輸入圖像的特征和標簽/目標值；

訓練過程中，模型嘗試通過特征和標簽之間的聯系來學習如何預測/分類。

無監督學習模型

模型訓練數據只包含輸入圖像的特征，無標簽/目標值；

模型嘗試發現數據中的模型或特征關系，而非預測特定的輸出。

監督學習
分類		將圖像分類成不同的類別或OK/NG組別
實例分割		分析圖像中檢測到的物體形狀并圈選
目標檢測		檢測圖像中物體的類別、數量并定位
OCR 字符識別		檢測和識別圖像中的字母、數字或符號
旋轉		旋轉圖像至合適的方位
GAN 對抗生成網絡		學習圖像中的缺陷區域并生成虛擬缺陷
無監督學習
異常分類		在大量正常圖像和少量缺陷圖像上訓練以檢測異常圖像進行分類
異常分割		在大量正常圖像和少量缺陷圖像上訓練以檢測異常圖像并定位缺陷位置

GAN模型

生成對抗網絡 (Generative Adversarial Network, GAN)是一種深度學習模型，由生成器(Generator) 和判別器(Discriminator) 組成。

生成器網絡以隨機噪聲為輸入，通過層層映射和轉換逐漸生成逼真的數據樣本。判別器網絡則被訓練用于區分生成器產生的樣本與真實樣本。兩部分通過對抗訓練的方式相互博弈，學習數據的分布，使得生成器可以生成逼真的數據樣本，而判別器則可以對真實樣本和生成的樣本進行有效區分。

生成器的目標是最大化判別器無法區分生成樣本和真實樣本的概率。而判別器的目標是最小化其錯誤率，即盡可能準確地區分生成樣本和真實樣本。通過反復迭代優化，生成器和判別器逐漸互相提高，并最終達到一種動態平衡狀態。

GAN模型廣泛應用于文本、圖像、音視頻數據生成等場景。

Neuro-T GAN模型生成缺陷圖像操作步驟

01 訓練GAN模型

1.1.1 新建項目

1.1.2 新建數據集

1.1.3 導入圖像數據

1.2.1 創建標簽集

1.2.2 選擇模型類型(GAN)

1.3.1 標注數據

1.3.2 完成標注

可以使用涂刷的方式選中缺陷區域

也可以用畫筆繪制任意多邊形圈選缺陷區域

1.4.1 劃分訓練集/測試集

1.4.2 缺陷圖像/正常圖像

將缺陷圖像設置為訓練集；將正常圖像設置為測試集

1.5.1 輸入訓練模型名稱

1.5.2 訓練生成GAN模型

1.5.3 查看模型結果

02 創建缺陷圖像

2.1.1 進入生成中心(Generation Center)

2.1.2 新建任務

2.2.1 導入正常圖像

2.2.2 加載GAN模型

用于創建缺陷的圖像數據必須跟用于訓練GAN模型的數據對應，后續將用這些正常圖像生成缺陷圖像。

①繪制生成缺陷：自定義模式Custom mode

2.3.1① 選擇缺陷生成類型

2.3.2① 繪制缺陷

2.3.3① 完成繪制

2.3.4① 準備生成

2.3.5① 生成缺陷圖像

應用于比較直觀的缺陷。可以使用先前訓練的缺陷形狀(Stamp)繪制缺陷，也可以使用畫刷工具(Brush)自由繪制缺陷。

②繪制生成缺陷：隨機模式Random mode

2.3.1② 選擇缺陷生成類型

2.3.2② 設置缺陷數

2.3.3② 生成缺陷圖像

2.3.4② 得到缺陷圖像

2.3.5② 導出圖像數據

應用于比較抽象的缺陷和批量缺陷圖像的生成。可一鍵實現在所有正常圖像上繪制缺陷得到缺陷圖像，軟件界面可查看生成的批量缺陷圖像并導出。

Neuro-T無監督學習模型輸出異常分類or檢測模型操作步驟

（1）與使用Neuro-T訓練其他深度學習模型一樣的步驟，新建項目 → 新建數據集→導入圖像數據→新建標簽集→選擇標簽集對應的深度學習模型類型。

（2）對于異常分類模型：只需類比分類模型，給數據添加正常or異常的標簽；對于異常分割模型：給數據添加正常or異常的標簽，進一步地，對于異常的圖像數據，需要圈選or涂選出異常區域。

（3）訓練模型，查看模型檢測結果，可以通過設置敏感度閾值(Sensitivity Threshold)來過濾檢測出的圖像異常部分，從而滿足實際的應用需求。

友思特Neuro-T應用案例

1. 制造業

電池缺陷檢測 鋼材表面缺陷檢測

2. 醫療業

胸部CT病灶檢測
腹部超聲異常檢測

審核編輯 黃宇