案例 | 基于CNN实现可解释的缺陷检测

文章预览

来源： OpenCV与AI深度学习     尽管神经网络非常准确，但它在需要预测可解释性的领域（例如医学、银行、教育等）的应用并不广泛。     在本教程中，我将向您展示如何克服卷积神经网络的这种可解释性限制。通过探索、检查、处理和可视化深度神经网络层生成的特征图，我们将介绍该方法并讨论如何将其应用于现实世界的任务——缺陷检测。     本文数据集和源码下载链接： https: //github.com/OlgaChernytska/Visual-Inspection 任务     我们有一个包含 400 张图片的数据集，其中包含良好物品（标记为“良好”类）和有缺陷物品（标记为“异常”类）的图像。数据集是不平衡的 — 良好图像的样本多于有缺陷的图像样本。图像中的物品可能属于任何类型和复杂程度 — 瓶子、电缆、药丸、瓷砖、皮革、拉链等。以下是数据集可能的样子的示例。     ………………………………