Využití autoenkodérů pro detekci anomáliív obraze
Loading...
Date
Authors
Journal Title
Journal ISSN
Volume Title
Publisher
Abstract
Tato bakalářská práce se zabývá využitím autoenkodéru pro detek-ci anomálií na snímcích textílie. V práci je uvedeno strojové viděnía software pro strojové vidění využivající autoenkodéry. Dále je po-psán autoenkodér a neuronové sítě. Pro otestování různých modelůautoenkodérů byla nasnímána sada 291 snímků textílie rozdělenana data trénovací, validační a testovací. V práci je popsán návrhautoenkodérů a faktory ovlivňující jejich funkčnost. Vybrané 3 mo-dely byly vyhodnoceny na testovací sadě dvěma metodami. Nejlep-ších výsledků dosáhl model kombinující konvoluční i plně propo-jené vrstvy. Při hodnocení jednotlivých pixelů má nejlepší modelTPR 0.81 při FPR 0.003. Při vyhodnocení celých snímků má nej-lepší model TPR 1 a FPR 0. Výsledný algoritmus je implementovánv prostředí LabView s využitím jazyka Python.
This paper describes the use of autoencoders in an anomaly detecti-on of images. Paper presents machine vision and machine visionsoftware that uses autoencoders. Autoencoder and neural networkis described and to test the presented models, dataset of fabricimages has been acquired. Dataset has been divided into 3 parts tobe: trained, validated and tested. Paper describes development ofautoencoder and factors that effect results. Chosen 3 models werecompared on test dataset using two methods. Best results wereachieved by model, that combined convolutional and fully connec-ted layers. Performance is measured by two metrics. Performance onevery pixel of best model has TPR 0.81 with FPR 0.003. Performan-ce on whole image is TPR 1 with FPR 0. Algorithm is implementedusing LabView and Python.6
This paper describes the use of autoencoders in an anomaly detecti-on of images. Paper presents machine vision and machine visionsoftware that uses autoencoders. Autoencoder and neural networkis described and to test the presented models, dataset of fabricimages has been acquired. Dataset has been divided into 3 parts tobe: trained, validated and tested. Paper describes development ofautoencoder and factors that effect results. Chosen 3 models werecompared on test dataset using two methods. Best results wereachieved by model, that combined convolutional and fully connec-ted layers. Performance is measured by two metrics. Performance onevery pixel of best model has TPR 0.81 with FPR 0.003. Performan-ce on whole image is TPR 1 with FPR 0. Algorithm is implementedusing LabView and Python.6
Description
Subject(s)
autoenkodér, neuronová síť, keras, detekce anomálie, tensorflow, autoencoder, neural network, keras, anomaly detection, tensorflow