AI為人民服務:視覺缺陷檢測

更專欄啦！這次給大家介紹的是我在最近一期Live中介紹過的視覺缺陷檢測，主要是針對基礎設施（例如管道、橋樑等）的缺陷（例如裂縫、漏水等）的檢測，同時，論文中提到的系統框架其實也適合用在各種的缺陷檢測問題上。

在製造業中，我們常常看到各種工業缺陷檢測的需求，本文講解的是2017年較新的Civil Infrastructure DefectnDetection and Classification。

模型介紹

1. 結合了深度學習，使用了深度殘差神經網路ResNet-based分類器。

2. 數據集分成4個分類，分別是裂縫、沉積、漏水和正常。

3. 使用pixel-wise作為分類輸入判斷。

4. 因為缺陷數據一般都不多，系統中增加了Active Learning作為數據增量訓練。

5. 使用最簡單的交叉熵作為損失函數。

使用數據

實驗中使用的數據為603張4096x4800的圖片，使用滑窗的方法，轉換為289440張520x520張圖片，數據中60%作為訓練數據，20%驗證集和20%測試集，數據中22.6%的數據作為正樣本（即有問題的圖片），正樣本數據的定義為以圖片中心480x480的像素中，至少一個像素是判斷為有缺陷的。

模型結果

該模型最終的測試集結果為準確率87.5%。

編者總結

這個模型是今年2017年較新提出來的模型，分享給大家的目的主要是這個模型的方式在未來可以應用在更多的缺陷檢測的問題上，特別是工業和製造業的得到非常多的應用。其中深度神經網路的選擇可以多樣和參數可以多樣，分類的結果也可以有更多，然後在AL的方法可以進一步深化和細化。

論文鏈接

[1]Deep Active Learning for Civil Infrastructure DefectDetection and Classification

---人工智慧應用系列·介紹---

本系列介紹各領域的一些有趣的人工智慧應用，原理可能並沒有那麼複雜，目的是開拓大家的視野和思路，也許人工智慧能做的事情比我們想像的還要多。

本期Live：「跨領域人工智慧應用」系列Live的第三篇——深入人工智慧應用案例(二):娛樂、交通和環境