Evalute defect detection rate by CNN binary classification model by using DAGM2007 datasets.

1. CNN2値分類モデルの利用
Kentaro Fujita

2. • CNN2値分類モデルの利用
1
欠陥検出手法
傷画像
正常領域 0 と学習
傷領域 1 と学習
金属表面
正常領域
０ に近い値を予測
学習していない画像の場合
傷領域
1 に近い値を予測

3. 2
CNN2値分類モデルの実装
• 損失関数
Binary Cross Entropy
• ネットワーク構造
𝐿 = −𝑡 log 𝑦 − (1 − 𝑡) log(1 − 𝑦)
項目 値
ブロックサイズ 32 × 32
学習エポック数 10
バッチサイズ 32
フィルター数 32
フィルターサイズ 2 × 2
フィルターストライド 2
Input
Output
Conv
Dense
MaxPooling
MaxPooling
Conv
conv
MaxPooling
32x32x1
32x32x32
16x16x32
16x16x64 8x8x128
4x4x128 512 1
256
8x8x64
Dense
Flatten
2048

4. • 学習
学習画像からランダム位置のブロックを切り出し学習
⇒ 学習データの分散を変えず，サンプル数を増やすため
• 検査
検査画像を格子状に切り出し，半ブロックずらしつつ検査
⇒ 欠陥領域の見逃しを防ぐため
3
学習・検査手法
・・・
画像
① ②
③ ④

5. 4
実行結果 Class1
値が１近くなっている
⇒ 欠陥の検出が可能である

6. 5
実行結果 Class2
値が１近くなっている
⇒ 欠陥の検出が可能である

7. 6
実行結果 Class3
値が１近くなっている
⇒ 欠陥の検出が可能である

8. 7
実行結果 Class4
全体的に値が小さい
⇒ 傷を正しく
学習できていない

9. 8
実行結果 Class5
値が１近くなっている
⇒ 欠陥の検出が可能である

10. 9
実行結果 Class6
値が１近くなっている
⇒ 欠陥の検出が可能である

11. 1. Class４以外
• 現状，十分傷が検出可能である．
⇒ 前処理が必要ない
2. Class４
• いずれかの前処理を施す必要がある．
• コメント
傷画像が十分に用意できる場合，この手法は有用であるといえる．
一方で，傷サンプルが豊富な例は多くない．
10
まとめ