Для решения задачи сегментации дефектов на производственных изображениях, был применен подход, основанный на архитектуре UNet. В качестве энкодера использовалась предобученная модель MobileNetV2, что позволило снизить вычислительные затраты, в то время как декодер был реализован с применением техники upsampling из pix2pix. Это сочетание позволило эффективно извлекать и восстанавливать пространственные детали изображений, необходимые для точного обнаружения дефектов.
Несмотря на ограничения в объеме данных, модель достигла значительных результатов, продемонстрировав точность около 89.8% и IoU (Intersection over Union) в районе 80.2% на тренировочном наборе данных, и немного хуже на валидационных данных. Такой уровень производительности свидетельствует об эффективности выбранного подхода, особенно с учетом ограничений, наложенных условиями задачи. Применялись также методы аугментации данных, такие как горизонтальные повороты, для расширения обучающей выборки и повышения устойчивости модели.
Реализация модели включала использование TensorFlow, стандартного набора инструментов для машинного обучения. В процессе работы применялись методы downsampling, основанные на архитектуре MobileNetV2, и upsampling с применением pix2pix для восстановления изображений. Обучение проводилось с использованием оптимизатора Adam, функции потерь Binary Crossentropy и метрики IoU.
В заключение, несмотря на некоторые ошибки в предсказаниях, особенно при работе с нечеткими или сильно загрязненными изображениями, модель показала свою эффективность в условиях ограниченного объема данных и времени на обучение. Дальнейшее улучшение может быть достигнуто за счет настройки гиперпараметров, увеличения объема данных и исследования альтернативных архитектур нейросетей.
Изображение носит иллюстративный характер
Несмотря на ограничения в объеме данных, модель достигла значительных результатов, продемонстрировав точность около 89.8% и IoU (Intersection over Union) в районе 80.2% на тренировочном наборе данных, и немного хуже на валидационных данных. Такой уровень производительности свидетельствует об эффективности выбранного подхода, особенно с учетом ограничений, наложенных условиями задачи. Применялись также методы аугментации данных, такие как горизонтальные повороты, для расширения обучающей выборки и повышения устойчивости модели.
Реализация модели включала использование TensorFlow, стандартного набора инструментов для машинного обучения. В процессе работы применялись методы downsampling, основанные на архитектуре MobileNetV2, и upsampling с применением pix2pix для восстановления изображений. Обучение проводилось с использованием оптимизатора Adam, функции потерь Binary Crossentropy и метрики IoU.
В заключение, несмотря на некоторые ошибки в предсказаниях, особенно при работе с нечеткими или сильно загрязненными изображениями, модель показала свою эффективность в условиях ограниченного объема данных и времени на обучение. Дальнейшее улучшение может быть достигнуто за счет настройки гиперпараметров, увеличения объема данных и исследования альтернативных архитектур нейросетей.
