Automatic Detection of Welding Defects using Deep Neural Network读书笔记

  这篇内容是关于焊接缺陷的检测，涉及的内容比较少，其中有些思路值得借鉴，作一下记录。

关于网络

  作者使用的是最简单的全连接网络，并且实验了两种网络，分别是包含两个隐含层的网络和包含三个隐含层的网络。

关于数据集

  GDXray数据集。

关于图片预处理

  首先，将焊接部分从整个x-ray图片中截取出来，分为两个步骤：（1）使用Nobuyuki Otsu的方法将灰度图像转变为二值图像。（2）从二值图像中切出来一个矩形区域，以便于后面从这个区域中来获取训练样本。

关于训练样本

  从得到的矩形区域中，截取出一系列32*32的图片来作为训练样本，并标记为0（no-defect）或者1（defect）。

关于inference

  在inference阶段，输入的是一整张x-ray图片。由于，网络需要的输入的维度是32*32，这里采取的方法是：用一个32*32的窗口在x-ray图片上进行滑动，步长为2。这样每次滑动截取出来的图片就是我们所需要的维度了。然后，将截取出的图片放入网络进行inference，得到的结果为0或者1。接下来，根据得到的结果，将一整个32*32图片中的所有像素都标记为0或者1。
  由于我们的滑动方向包括水平方向和垂直方向，可以想象一下，每一个像素会出现在256个截取出来的图片中，那么每一个像素的取值范围是：[0, 256]。然后，我们指定一个阈值，如果某个像素最终的取值大于阈值，那么就把这个像素判定为：defect。（注：在论文中，作者并没有给出这个阈值是多少）
  ps：作者在inference阶段使用的方法值得借鉴，这种方法可以从像素级别上进行目标的识别和检测，也算是值得尝试的一种思路。