在行业中,深度神经网络显示出高缺陷检测率,超过了其他基于手动特征工程的其他更为传统的建议。这主要是通过监督培训来实现的,在该培训中,需要大量数据才能学习良好的分类模型。但是,在工业场景中,有时很难获得这样的数据,因为通常会产生有缺陷的零件。此外,某些类型的缺陷非常罕见,通常只是不时出现,这使得生成适当的数据集来训练分类模型。此外,缺乏可用数据将检查模型的适应性限制为出现在生产中的新缺陷类型,因为它可能需要进行模型再培训才能合并检测并检测到它们。在这项工作中,我们在太阳能电池质量检查的背景下探索了重量印记的技术,在该方面,我们已经在三个基本缺陷类别上训练了网络,然后我们使用了很少的样本合并了新的缺陷类。结果表明,该技术使网络可以扩展其关于几个样本的缺陷类别的知识,这对于工业从业者来说可能很有趣。
translated by 谷歌翻译