Transfer learning en one-shot learning voor oppervlakte-inspectie van vlak staal

Staal kent in verschillende markten zijn toepassing, daarbij speelt de kwaliteit van het staal een cruciale rol in de duurzaamheid van de toepassing. Die kwaliteit wordt door verschillende aspecten gekarakteriseerd, daarbij zijn de sterkte, maar ook de oppervlaktekwaliteit een belangrijk element. Hierdoor is het detecteren en classificeren van defecten een belangrijk onderdeel van de kwaliteitscontrole. De huidige ontwikkelingen in de beeldherkenning via diepe neurale netwerken bieden goede resultaten in het classificeren van afbeeldingen. Een algemeen probleem met dergelijke methodes is dat ze veel gelabelde data nodig hebben, wat in dit geval betekent dat een team van experts, gedurende maanden, oppervlaktefouten dient te labelen. Hierdoor is dit een lang en duur proces. Het doel van deze masterproef is om de tijd te reduceren die experts nodig hebben om de data manueel te labelen. Dit door het aantal benodigde gelabelde afbeeldingen tot een minimum te beperken, mits rekening te houden met een goede performantie van de classificatietaak. Hiervoor wordt de trend van de accuraatheid onderzocht bij een veranderlijke grootte van de trainingsdata. Daarvoor maakt de masterproef gebruik van twee methodes: transfer learning en one-shot learning. Na grondig onderzoek met behulp van beide methodes kunnen verschillende conclusies gevormd worden omtrent de relatie tussen de accuraatheid van de classificatietaak en de benodigde hoeveelheid gelabelde data.