Авторы

Применение нейросетевого подхода для обнаружения дефектов текстильных материалов классов «слет» и «затек воды»

Во время четвертой промышленной революции на предприятиях легкой промышленности особую актуальность имеют вопросы автоматизации производственных процессов, в том числе с применением методов компьютерного зрения, машинного обучения и искусственного интеллекта. Ключевую роль в производственных процессах занимают подпроцессы мониторинга и оценки качества производимой продукции (текстильных полотен), на которое напрямую влияет процесс дефектоскопии. Благодаря развитию цифровых технологий и росту вычислительных мощностей появилась возможность автоматизации процесса дефектоскопии текстильных полотен с применением компьютерного зрения с целью снижения затрат на трудовые ресурсы и повышения точности обнаружения дефектов. Цель исследования, рассматриваемого в данной статье, – проведение экспериментов по разметке и обнаружению дефектов текстиля в соответствии с существующей классификацией с применением программно-аппаратного комплекса компьютерного зрения и использованием нейросетевого подхода. Для достижения поставленной цели в работе приводится описание существующей классификации дефектов текстильных полотен, описывается используемый программно-аппаратный комплекс и представляется применение нейросетевой модели архитектуры Mask R-CNN для решения задачи экземплярной сегментации дефектов. В рамках исследования вручную в качестве расширения обучающей выборки проведена разметка более чем 800 фотоснимков тканей по двум классам дефектов: «слет» и «затек воды»; полученные результаты работы нейросетевой модели оценены по метрикам IoU: лучший результат для класса «слет» DIoU = 0,8, для класса «затек воды» DIoU = 0,87. По результатам проведенных экспериментальных исследований сделаны выводы о существующем потенциале использования нейросетевого подхода для дефектоскопии подобных классов дефектов. Представленные результаты являются новыми уникальными примерами обнаружения данных классов дефектов при помощи нейросетевого подхода и могут быть использованы для обучения различных моделей обнаружению объектов на изображении; наработанный опыт может применяться в иных сферах промышленности. Читать дальше...

Обобщенная модель внимания для анализа выживаемости сложных объектов при цензурированных данных

Самые различные прикладные области, включая медицину, безопасность, экономику, промышленность, связаны с моделированием процессов наступления различных событий, таких как выздоровление пациента, финансовое банкротство предприятия, отказ промышленного оборудования и т. д. Моделирование этих процессов может выполняться в рамках анализа выживаемости (survival analysis), являющегося статистическим методом анализа времени до событий и отличительной особенностью которого от многих других статистических методов и методов машинного обучения является наличие цензурированных данных, имеющих место тогда, когда событие не наблюдается и известно только то, что оно не произошло до определенного момента времени. Цензурированные данные значительно усложняют моделирование и предсказание наступления критических событий. Одним из эффективных инструментов анализа выживаемости при наличии цензурированных данных является машинное обучение. В частности, современные модели машинного обучения на основе трансформеров демонстрируют перспективные результаты в анализе выживаемости благодаря своей способности учитывать сложные зависимости. Однако стандартный механизм внимания в них часто игнорирует фундаментальную структуру данных времен до наступления события, а именно различие между цензурированными и нецензурированными наблюдениями. Для преодоления этого недостатка в работе предлагается новая модель и новый подход к реализации механизма внимания, который переопределяет веса внимания за счет включения априорных характеристик анализа выживаемости на основе оценки Берана или модели Кокса. Вместо того чтобы полагаться исключительно на расстояния между векторными представлениями признаков, как это осуществляется в современных моделях, предлагаемая модель вычисляет веса внимания как взвешенную линейную комбинацию компонентов, полученных из основных априорных характеристик анализа выживаемости, таких как расстояния между оценками функций выживаемости или математическими ожиданиями времени до наступления события для различных обучающих объектов. Предлагаемый подход позволяет существенно расширить класс трансформенных моделей анализа выживаемости для получения более высокой точности предсказаний. Алгоритм, реализующий предлагаемую модель, является основой для трансформеров. Эксперименты на реальных наборах данных подтверждают, что обобщенная модель обеспечивает наилучшее предсказание среди ряда известных моделей. Читать дальше...