Phát hiện bất thường trong chất lượng sản phẩm

Abstract

Trong bài báo này, chúng tôi thực hiện và đánh giá những mô hình khác nhau để phát hiện sản phẩm bị lỗi và không lỗi, với hướng tiếp cận xử lý ảnh truyền thống và học sâu. Để giải quyết bài toán phát hiện bất thường trong chất lượng sản phẩm sử dụng phương pháp xử lý ảnh truyền thống, phương pháp Local Binary Pattern Histogram được sử dụng để trích đặc trưng và phương pháp ước lượng mật độ xác suất phi tham số (Kernel Density Estimation - KDE) được sử dụng để xây dựng mô hình xác suất của sản phẩm không lỗi và phát hiện sản phẩm lỗi. Với hướng tiếp cận bằng học sâu, hai phương pháp được triển khai là xây dựng bộ tự mã hóa tích chập (convolutional Autoencoder - CAE) để trích đặc trưng kết hợp với KDE để xây dựng mô hình xác suất; và sử dụng mô hình Differnet. Đánh giá kết quả trên hai bộ cơ sở dữ liệu tự xây dựng trên các mẫu thực tế cho thấy mô hình Differnet cho kết quả tốt nhất trong khi phương pháp kết hợp bộ tự mã hóa tích chập và KDE cho thời gian thực thi nhanh nhất.