Глобальная текстильная промышленность затрагивает почти каждого человека на планете, и ее размер оценивается в 1000,3 миллиарда долларов в 2020 году¹. Он включает производство, переработку и продажу синтетических и натуральных волокон, используемых в тысячах отраслей промышленности.

Высокий спрос на качественный текстиль привел к применению автоматизированного контроля качества текстильного производства на основе искусственного интеллекта в последние годы. Это также частично связано с техническими разработками, использованием моделирования и симуляции, а также с высокой вероятностью ошибок и дефектов, распространенных в текстильном производстве.

С ростом использования машинного обучения в Промышленном IoT (IIoT) и Индустрии 4.0 мы решили построить модель распознавания изображений в PerceptiLabs, которая могла бы анализировать изображения тканей, чтобы определить, содержат ли они пятна. Подобную модель можно использовать в сочетании с камерой в реальном времени или видеопотоками на текстильных предприятиях, чтобы быстро выявлять дефекты и улучшать контроль качества.

Набор данных

Для обучения нашей модели мы использовали изображения из Fabric Stain Dataset на Kaggle. Исходный набор данных включает 466 изображений, на которых изображены нормальные и окрашенные ткани.

Исходный набор данных содержит 68 изображений без дефектов и 398 изображений с различными типами дефектов пятен на полиэфирных и хлопчатобумажных тканях. Чтобы устранить потенциальные ошибки во время обучения, мы создали сбалансированный набор данных с использованием увеличения данных (с применением случайного вращения, а также вертикального и горизонтального переворота), чтобы увеличить количество бездефектных изображений с 68 до 408. Рисунок 1 показывает несколько примеров изображений из этого набора данных:

При загрузке данных через Мастер данных PerceptiLabs мы изменили размер изображений до 224x224, чтобы сократить время вычислений, в то время как три (RGB) канала использовались для передачи данных в предварительно обученную модель. Чтобы сопоставить классификации с изображениями, мы создали файл .csv, который связывает каждый файл изображения с соответствующей меткой классификации (пятно и defect_free) для загрузки данных в PerceptiLabs. Ниже приведен частичный пример того, как выглядит файл .csv:

Сводка модели

Наша модель была построена из трех Компонентов:

Компонент 1: MobileNetV2, include_top = false, pretrained = imagenet

Компонент 2: Плотность, Активация = ReLU, Нейроны = 128

Компонент 3: Плотность, Активация = ReLU, Нейроны = 2

Модель использует трансферное обучение через MobileNetV2, как показано на рисунке 2:

Обучение и результаты

Мы обучили модель партиями по 32 в 10 эпох, используя оптимизатор ADAM, скорость обучения 0,001 и функцию потери кросс-энтропии. При времени обучения около 122 секунд мы достигли точности обучения 93,79% и точности проверки 83,23%.

На рисунке 3 показано представление статистики PerceptiLabs во время обучения:

На рисунках 4 и 5 ниже показаны потери и точность за 10 эпох во время обучения:

На рисунке 4 мы видим, что потери как при обучении, так и при проверке быстро уменьшились в первой эпопее. Потери при обучении оставались довольно стабильными в течение оставшейся части эпох, в то время как потери при проверке неуклонно росли, указывая на то, что мы могли остановить обучение раньше, чтобы уменьшить переобучение.

На рисунке 5 мы видим, что точность обучения оставалась относительно стабильной после первых двух эпох с постепенным снижением к концу, в то время как точность проверки оставалась довольно стабильной на протяжении всего периода.

Вертикальные приложения

Подобную модель можно использовать для контроля качества на основе компьютерного зрения на производстве. В сочетании с изображениями в реальном времени или видеопотоками материалов на производственных линиях эта модель машинного обучения обеспечивает прочную основу для автоматизации выявления дефектов материалов. Сама модель также может быть использована в качестве основы для трансферного обучения для создания моделей для обнаружения дефектов в других типах материалов.

Резюме

Этот вариант использования является примером того, как распознавание изображений может использоваться на производстве. Если вы хотите построить подобную модель глубокого обучения, запустите PerceptiLabs и посмотрите репозиторий, который мы создали для этого варианта использования на GitHub. Также не забудьте проверить наш другой блог о дефектах материалов: Пример использования: обнаружение дефектов на металлических поверхностях.

¹ https://www.grandviewresearch.com/industry-analysis/textile-market