應用遷移學習於胚布瑕疵檢測

以作者查詢圖書館館藏

、以作者查詢臺灣博碩士

、以作者查詢全國書目

、勘誤回報

、線上人數：5

、訪客IP：18.119.136.235

姓名

紀浚鴻(Jun-Hong Ji) 查詢紙本館藏

畢業系所

資訊工程學系

論文名稱

應用遷移學習於胚布瑕疵檢測
(Applying transfer learning to fabric defect detection)

相關論文

★ 基於OpenPose特徵的行人分心偵測	★ 建構深度學習CNN模型以正確分類傳統AOI模型之偵測結果
★ 一種結合循序向後選擇法與回歸樹分析的瑕疵肇因關鍵因子擷取方法與系統－以紡織製程為例	★ 融合生成對抗網路及領域知識的分層式影像擴增
★ 針織布異常偵測方法研究	★ 應用增量式學習於多種農作物判釋之研究
★ 農業影像二元分類：坵塊分離的檢測	★ 基於網頁 MCES 分析系統的分析過程加速
★ 使用一台智能手錶在有限的數據下檢測方向盤位置	★ 在基於操作行為之智慧型手機身分驗證系統上的使用者偽造攻擊研究
★ 移除弱特徵以抵禦基於行為身份驗證系統上的偽造攻擊

檔案

[Endnote RIS 格式]

[Bibtex 格式]

[相關文章]

[文章引用]

[完整記錄]

[館藏目錄]

至系統瀏覽論文 ( 永不開放)

摘要(中)

針織布的瑕疵檢測在工業場域中具有重要意義，有助於確保產品質量。
然而，由於不同種類的針織布具有不同的樣態，胚布瑕疵檢測面臨著挑戰。
另外，檢測問題透過深度學習方法通常都取得了不錯的結果，但需要大量標記資料，而在實際情況下這並不容易取得。
此外，現場硬體設備和即時運算的限制要求模型保持輕量化。

因此，我們提出一種適用於少量標記資料的AI方法，以提高訓練效果和實時性能。
同時，我們認識到可解釋性對於工業場域的重要性。
我們的方法不僅關注模型的準確性，還著重於模型可解釋性的部分，增加場域人員對於AI方法的信任度。

總結而言，本研究旨在解決胚布瑕疵檢測中的挑戰，提出一種輕量且可解釋的AI方法，適用於少量標記資料和現場限制。
這將有助於提高瑕疵檢測的效率和準確性，同時增加在工業場域中的可行性和可信度。

摘要(英)

Defect detection in fabrics is crucial for ensuring product quality in industrial settings.
However, it is challenging due to the diverse patterns of different fabric types.
Deep learning methods have shown promise in defect detection, but they require a large amount of labeled data, which is often difficult to obtain in practical scenarios.
Additionally, the need for lightweight models arises from on-site hardware limitations and real-time processing requirements.

To overcome these challenges, we propose an AI approach that is effective with limited labeled data and offers real-time performance.
We also prioritize interpretability, recognizing its importance in industrial settings.
Our approach not only focuses on model accuracy but also emphasizes interpretability to gain trust from domain experts.

In summary, our research aims to tackle the challenges of defect detection in fabrics by introducing a lightweight and interpretable AI method suitable for limited labeled data and on-site constraints.
This approach will enhance the efficiency and accuracy of defect detection while ensuring feasibility and credibility in industrial environments.

關鍵字(中)

★ 針織布瑕疵檢測
★ 電腦視覺
★ 深度學習
★ 可解釋性AI

關鍵字(英)

★ Fabric Defect Detection
★ Computer Vision
★ Deep Learning
★ Explainable AI

論文目次

摘要vii
Abstract ix
目錄xi
圖目錄xiii
表目錄xv
一、緒論1
1.1 研究背景. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2 研究動機與目的. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.3 研究貢獻. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.4 論文架構. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
二、相關研究5
2.1 遷移式學習. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
2.2 影像分群. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
2.3 異常檢測. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
2.4 針織布瑕疵檢測. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
三、解決方案13
3.1 Multi-task model . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
3.1.1 模型架構. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
3.1.2 資料前處理. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
3.2 特性模型訓練模組. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
3.3 特性分類模組. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
3.4 瑕疵檢測方法. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
四、實驗與討論21
4.1 資料集介紹. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
4.2 實驗一：瑕疵檢測性能實驗. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
4.2.1 實驗動機與目的. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
4.2.2 評估方法. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
4.2.3 實驗方法. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
4.2.4 實驗結果. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
4.3 實驗二：針織布特性群集分類實驗. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
4.3.1 實驗動機與目的. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
4.3.2 評估方法. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
4.3.3 實驗方法. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
4.3.4 實驗結果. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
4.4 實驗三：可解釋性實驗. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
4.4.1 實驗動機與目的. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
4.4.2 評估方法. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
4.4.3 實驗方法. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
4.4.4 實驗結果. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
4.5 實驗四：語意特性分群有效性實驗. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
4.5.1 實驗動機與目的. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
4.5.2 評估方法. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
4.5.3 實驗方法. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
4.5.4 實驗結果. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
五、結論與未來展望49
5.1 結論. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
5.2 未來展望. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
參考文獻51

參考文獻

[1] Buhrmester, V., Münch, D., & Arens, M. (2021). Analysis of explainers of black box deep
neural networks for computer vision: A survey. Machine Learning and Knowledge Extraction,
3(4), 966-989.
[2] Terziyan, V., & Vitko, O. (2022). Explainable AI for Industry 4.0: semantic representation
of deep learning models. Procedia Computer Science, 200, 216-226.
[3] Shin, D. (2021). The effects of explainability and causability on perception, trust, and
acceptance: Implications for explainable AI. International Journal of Human-Computer
Studies, 146, 102551.
[4] Pan, S. J., & Yang, Q. (2010). A survey on transfer learning. IEEE Transactions on Knowledge
and Data Engineering, 22(10), 1345-1359.
[5] Tan, C., Sun, F., Kong, T., Zhang, W., Yang, C., & Liu, C. (2018). A survey on deep
transfer learning. In Artificial Neural Networks and Machine Learning–ICANN 2018: 27th
International Conference on Artificial Neural Networks, Rhodes, Greece, October 4-7, 2018,
Proceedings, Part III 27 (pp. 270-279). Springer International Publishing.
[6] Wang, Z., Dai, Z., Póczos, B., & Carbonell, J. (2019). Characterizing and avoiding negative
transfer. In Proceedings of the IEEE/CVF conference on computer vision and pattern
recognition (pp. 11293-11302).
[7] Huang, P., Pan, X., & Tao, J. (2021, May). Research on Image Clustering Algorithm
Based on Multi-features Extraction. In 2021 33rd Chinese Control and Decision Conference
(CCDC) (pp. 7272-7276). IEEE.
[8] Malakar, A., & Mukherjee, J. (2013). Image clustering using color moments, histogram,
edge and K-means clustering. International Journal of Science and Research, 2(1), 532-537.
[9] Chandola, V., Banerjee, A., & Kumar, V. (2009). Anomaly detection: A survey. ACM
computing surveys (CSUR), 41(3), 1-58.
[10] Samuel, D. J., & Cuzzolin, F. (2021). Unsupervised anomaly detection for a Smart Autonomous
Robotic Assistant Surgeon (SARAS) using a deep residual autoencoder. IEEE
Robotics and Automation Letters, 6(4), 7256-7261.
[11] Yan-Qin Ni, Pei-Kai Huang, Wei-Jen Wang, Ching-Han Yang, Deron Liang & Chin-Chun
Chang. (in press). Real-Time Fabric Defect Detection during Fabric Weaving.
[12] Huang, Y., Jing, J., & Wang, Z. (2021). Fabric defect segmentation method based on deep
learning. IEEE Transactions on Instrumentation and Measurement, 70, 1-15.
[13] He, K., Zhang, X., Ren, S., & Sun, J. (2016). Deep residual learning for image recognition.
In Proceedings of the IEEE conference on computer vision and pattern recognition (pp.
770-778).
[14] Ojala, T., Pietikäinen, M., & Harwood, D. (1996). A comparative study of texture measures
with classification based on featured distributions. Pattern recognition, 29(1), 51-59.
[15] Hartigan, J. A., & Wong, M. A. (1979). Algorithm AS 136: A k-means clustering algorithm.
Journal of the royal statistical society. series c (applied statistics), 28(1), 100-108.
[16] Rousseeuw, P. J. (1987). Silhouettes: a graphical aid to the interpretation and validation
of cluster analysis. Journal of computational and applied mathematics, 20, 53-65.
[17] Smith, Karl (2013), Precalculus: A Functional Approach to Graphing and Problem Solving,
Jones & Bartlett Publishers, p. 8, ISBN 978-0-7637-5177-7
[18] Martin, A., Doddington, G., Kamm, T., Ordowski, M., & Przybocki, M. (1997). The
DET curve in assessment of detection task performance. National Inst of Standards and
Technology Gaithersburg MD.

指導教授

梁德容張欽圳(Deron Liang Chin-Chun Chang)

審核日期

2023-8-3

推文