فهرست نشریات علمی دسترسی آزاد ایران

تشخیص و مکان­ یابی ساختارهای ناخواسته و یا ناهنجاری درون تصویر یکی از مسائل مهم در بینایی ماشین و بازرسی­ صنعتی است. پیچیدگی و متغیر بودن توزیع داده ­ها و نبود داده ­های برچسب­دار از چالش ­های تشخیص ناهنجاری در تصاویر است. در سال­های اخیر روش­ های یادگیری عمیق نتایج امیدوارکننده­ای برای حل مسائل تشخیص ناهنجاری در انواع داده و بخصوص در تصویر ارائه داده ­اند. در این مقاله معماری DFDA-AD که رویکردی بدون نظارت و مبتنی بر یادگیری عمیق است برای تشخیص ناهنجاری در تصاویر صنعتی پیشنهاد شده است. DFDA-AD شامل استخراج دوگانه ویژگی از تصاویر توسط شبکه­ های از پیش آموزش دیده DenseNet121 و ResNet50 است. دو سازوکار توجه در این مقاله بهبود و توسعه داده شده که نقشه­ ی ­ویژگی­ های مهم­تر را برای خوشه­ بندی توسط الگوریتم K-means فراهم می ­کنند. ارزیابی عملکرد مدل بر روی مجموعه داده­ ی MVTec AD صورت پذیرفت که نتایج ارزیابی­ ها برای تشخیص و همچنین مکان یابی ناهنجاری در مقایسه با چندین رویکرد دیگر که اخیراً پیشنهاد شده ­اند، رضایت بخش بود.