Erkennung von Einfallstellendefekten auf Stuhlsitzen mithilfe von Computer Vision ⇐ Python

[Anonymous]

Ich habe Bilder eines Stuhlsitzes mit und ohne Oberflächenfehler, sogenannte Einfallstellen (siehe Beispielbild unten).


Mein Datensatz ist sehr klein: 15 Bilder von guten Stühlen und nur 3 Bilder mit Einfallstellenfehlern. Aufgrund dieser begrenzten Daten bin ich der Meinung, dass ich überwachte Deep-Learning-Ansätze (z. B. CNNs) vermeiden und stattdessen klassische oder unüberwachte Computer-Vision-Methoden erkunden sollte.
Ziel:

Erkennen, ob ein Sinkmark-Defekt vorliegt (nur binäre Klassifizierung).
Einschränkungen/Annahmen:

• Sinkmarks immer erscheinen im gleichen festen Bereich des Stuhlsitzes (im Bild rot markiert).
• Ich muss den Defekt nicht lokalisieren oder segmentieren.
• Es ist nur eine Ja/Nein-Entscheidung erforderlich.

Welche Bildverarbeitungs- oder Computer-Vision-Techniken wären angesichts dieser Einschränkungen für die Erkennung von Einfallstellen mit sehr begrenztem Defekt geeignet? Proben?
(Bild, um zu verstehen, was Einfallstellen sind und wie man sie erkennt)


(Bilder zum Herunterladen)
Gutes Bild


Fehlerhaftes Bild 1:


Fehlerhaftes Bild 2: