A comparison of learning-based approaches for the corrosion detection on barrels in industrial applications

Zur bildbasierten Korrosionsdetektion auf der Oberfläche von Objekten im industriellen Bereich können Machine-Learning-basierte Verfahren eingesetzt werden. In dieser Arbeit wird ein Ansatz mittels Convolutional Neural Networks (CNNs) auf der einen, sowie ein Ansatz mit einem Random-Forest-Klassifikator (RF) auf der anderen Seite einander gegenübergestellt, wobei der RF-Klassifikator jeweils im RGB- und HSV-Merkmalsraum trainiert wird. Zum Training eines CNN wird i. d. R. eine beträchtliche Menge an Trainingsdaten für eine ausreichende Modellkonvergenz und Generalisierungsfähigkeit benötigt. ... mehrDa im Rahmen dieser Arbeit nur eine geringe Menge an Trainingsdaten zur Verfügung steht, werden verschiedene Verfahren angewandt, um eine ausreichende Generalisierungsfähigkeit zu erreichen bzw. eine Überanpassung des Modells zu verhindern. Zu diesen Verfahren gehören Bildaugmentierungen, Untersuchungen hinsichtlich der Modellkomplexität sowie verschiedene Strategien zum Vortraining wie bspw. Self-Supervised-Learning (SSL). Der RF-Klassifikator auf der anderen Seite wird pixelbasiert trainiert, sodass die Trainingsdatenmenge der gesamten Pixelanzahl entspricht. Bei dem in dieser Arbeit verwendeten Untersuchungsgegenstand handelt es sich um ein Metallfass, von dem eine Mantelabwicklung sowie eine Deckelaufnahme als Bilddaten vorliegen. Zum Trainieren der Verfahren wird das Bild der Mantelabwicklung verwendet, wohingegen die Deckelaufnahme zum Testen verwendet wird. Die Auswertung der angewandten Verfahren zeigt, dass der RF-Klassifikator im RGB-Merkmalsraum hinsichtlich Korrosionsschäden CNN-basierte Verfahren um sieben Prozentpunkte übertrifft, gemessen an der F1-Metrik.

Machine-learning-based (ML) segmentation in the image domain can be utilized for the detection of corrosion on the surface of industrial objects. This research provides a comparison of techniques using convolutional neural networks (CNNs) on the one hand, and random forest (RF) classifiers within RGB and HSV feature spaces on the other hand. CNN-based approaches usually need a large amount of data for training in order for the network to converge and generalize well on new data. Due to the low amount of data provided, we apply a set of methods to increase the generalization ability of the model. ... mehrThese methods can be categorized into data augmentation, selection of larger and smaller models and pretraining strategies like self supervised learning (SSL). The RF classifiers on the other hand are trained per pixel, so that the amount of data is determined by the image size. The object to be tested is a barrel made of metal, from which the image of the coat is used as the training data, and the image of the bottom as test data. We found that a RF classifier in the RGB feature space outperforms the CNNs by seven percentage points regarding the f 1-score of the corrosion class.