ИСПОЛЬЗОВАНИЕ СКРЫТЫХ МАРКОВСКИХ МОДЕЛЕЙ ДЛЯ ОПТИМИЗАЦИИ МЕТОДА ОБНАРУЖЕНИЯ ОБЪЕКТОВ YOLO

​АННОТАЦИЯ

В данной статье рассматривается метод автоматического обнаружения производственных дефектов на основе сверточной нейронной сети YOLO. Для повышения устойчивости результатов предложена оптимизация на основе скрытой марковской модели (HMM). Представлены теоретические основы модели, математическая формализация и доказательство преимуществ при применении к последовательным данным.

Ключевые слова: искусственный интеллект, обнаружение дефектов, YOLO, скрытая марковская модель, сверточные нейронные сети.

Введение

Современные методы контроля качества на производстве требуют высокой точности и скорости обнаружения дефектов. YOLO (You Only Look Once) зарекомендовал себя как один из самых эффективных алгоритмов детектирования объектов в реальном времени. Однако в реальных условиях (колебания освещения, шумы, сложная текстура поверхностей) предсказания YOLO могут быть нестабильны. Поэтому возникает необходимость в моделировании вероятностных переходов между состояниями для стабилизации результатов.

Архитектура искусственной нейронной сети YOLO

YOLO представляет собой глубокую сверточную нейронную сеть. Ее структура изображена на рисунке 1.

Рисунок 1. Структурная модель сверточной нейронной сети

Описание работы модели:

- принимает изображение на вход,

- извлекает признаки через сверточные блоки,

- на выходе выдает предсказания координат объектов, классов и вероятностей.

Выходной слой представляет собой вектор:

                                                                           (1)

где - координаты центра ограничивающей рамки;

- ширина и высота рамки;

- вероятность присутствия объекта;

 - вероятность принадлежности к классу i.

При обработке видеопотока с производственной линии модель YOLO может выдавать колеблющиеся или ложные предсказания. Это особенно критично при обнаружении дефектов, где пропуск может привести к выпуску бракованной продукции, а ложное срабатывание - к остановке производства.

Оптимизация на основе скрытой марковской модели (СMM)

При обработке видеопотока с производственной линии модель YOLO может выдавать колеблющиеся или ложные предсказания. Это особенно критично при обнаружении дефектов, где пропуск может привести к выпуску бракованной продукции, а ложное срабатывание - к остановке производства.

Скрытая марковская модель позволяет учитывать последовательность предсказаний и вероятности перехода между ними. Это позволяет усреднить колебания и повысить надёжность классификации.

В сфере распознавания сигналы часто рассматривают как результат статистического взаимодействия множества факторов, действующих совместно. В этом контексте основная задача анализа заключается в точном описании и моделировании статистических характеристик источников сигнала. Такой подход строится на тщательном исследовании имеющихся данных и выявлении допустимых границ их колебаний. Однако эффективная модель должна не только адекватно воспроизводить характерные особенности наблюдаемых данных, но и предоставлять содержательную информацию о ключевых элементах, необходимых для сегментирования сигналов.

Скрытые марковские модели (СММ) предоставляют мощный инструмент для реализации обеих этих задач. Благодаря своей двухуровневой стохастической структуре, они позволяют, с одной стороны, извлекать полезные сведения о скрытых состояниях, отражающих внутреннюю структуру сигнала, а с другой — описывать процесс генерации наблюдаемых данных с учетом этой скрытой динамики.

Формализация модели

Скрытая марковская модель позволяет учитывать последовательность предсказаний и вероятности перехода между ними. Это позволяет "усреднить" колебания и повысить надёжность классификации.

Пусть:

 - множество скрытых состояний,

- нет дефекта,  - возможный дефект,  - дефект;

 - последовательность наблюдений от YOLO по кадрам;

 - матрица переходов:

                                                                              (2)

 - вероятность наблюдения ​ при скрытом состоянии ​:

                                                                              (3)

 - вектор начала состояний:

                                                                                         (4)

На основе последовательности наблюдений , полученной от YOLO (например, вероятность наличия дефекта на кадре), СММ позволяет вычислить вероятности текущих скрытых состояний и использовать это для сглаживания предсказаний, повышения достоверности, отслеживания дефектов во времени.

Теоретическое преимущество СMM

Если YOLO даёт выходную случайную величину , отражающую вероятность наличия дефекта, а скрытое состояние  моделируется СММ, то дисперсия выходов марковской модели описывается следующим неравенством:

                                                                                     (5)

Это достигается за счёт того, что переходы между состояниями  не случаются мгновенно и имеют низкую вероятность при кратковременных аномалиях, что обеспечивает инерционность модели.

Если вероятность перехода , то модель "привязана" к текущему состоянию, и только устойчивые изменения в наблюдениях могут изменить это состояние. Это эффективно фильтрует шумовые колебания в предсказаниях YOLO.

Заключение

Применение скрытых марковских моделей поверх выходов YOLO в системах промышленного контроля позволяет повысить устойчивость системы к шуму, учитывать временную зависимость между кадрами, а также принимать решения на основе вероятностной оценки последовательностей. В будущих исследованиях возможна реализация адаптивного обновления матрицы переходов  на основе статистики и интеграция модели в edge-устройства для реализации контроля в реальном времени.

Список литературы:

1. В.М. Нечаев. Использование искусственного интеллекта для обнаружения производственных дефектов в реальном времени // Студенческий – 2024. 7 стр.
2. Князева Н.В., Назойкин Е.А., Орехов А.А. Применение искусственного интеллекта для обнаружения дефектов в строительных конструкциях // Строительство и архитектура Том 11 № 3 – 2023.
3. R. Glennie et al. Estimating Hidden Markov Models of the Cognitive Process // Frontiers in Behavioral Economics - 2023