Сравнительный анализ подходов к бинаризации для автоматизированного капиллярного контроля

В статье представлен сравнительный анализ методов бинаризации для автоматизированного обнаружения дефектов на изображениях, полученных при капиллярном контроле (DPT). Установленные методы, включая глобальную, адаптивную и основанную на гистограмме пороговую обработку, сопоставляются с тремя новыми подходами с использованием машинного обучения: мягкой бинаризацией (Soft Binarization, SoBin), дельта-бинаризацией (Delta Binarization, DeBin) и бинаризацией с помощью свёрточного автоэнкодера (Convolutional Autoencoder Binarization, AutoBin). Для анализа использован набор данных из реальной автоматизированной системы капиллярного контроля, предназначенной для инспекции труб из нержавеющей стали. Эффективность оценивается по метрикам на уровне пикселей и областей, при этом особое внимание уделяется влиянию насыщенности дефектов. Насыщенность дефекта определяется как среднее значение насыщенности всех пикселей, принадлежащих данному дефекту; дефекты разделены на десять категорий — от низкой средней насыщенности (60–68) до высокой (132–140). Результаты показывают, что при низких значениях средней насыщенности дефектов такие методы, как AutoBin_Triangle, HSV_global_70 и SoBin, обеспечивают более высокое значение Intersection over Union (IoU) и высокие показатели истинно положительных результатов. Напротив, методы, основанные преимущественно на глобальной пороговой обработке канала насыщенности, как правило, демонстрируют конкурентоспособные результаты на изображениях с более высокой насыщенностью дефектов, что отражает их чувствительность к более выраженным цветовым сигналам. Кроме того, в зависимости от метода могут быть достигнуты почти идеальные показатели истинно положительных результатов на уровне областей (TPRregion) или минимальные показатели ложно положительных результатов (FPRregion), что подчёркивает наличие компромисса: различные модели обладают различными сильными и слабыми сторонами, поэтому оптимальный метод необходимо выбирать с учётом конкретных требований к контролю качества и допустимого уровня риска в промышленном процессе. Полученные результаты подчёркивают критическую важность насыщенности дефектов как признака для систем человеческого и компьютерного зрения и дают ценные сведения для разработки надёжных алгоритмов автоматизированного контроля качества и прогнозирования качества.