DG-GAN:一种高质量的缺陷图像生成方法用于缺陷检测

科学领域:

• 材料科学 材料科学 材料科学
• 计算机视觉 计算机视觉
• 制造业 工程 制造工程

背景情况:

• 表面缺陷检测对于工业产品的质量,安全和效率至关重要.
• 缺陷图像样本不足阻碍了有效的缺陷检测模型的培训.
• 现有的方法与数据稀缺性作斗争,影响模型性能.

研究的目的:

• 提出一种新的缺陷图像生成方法,DG-GAN,以应对有限缺陷样本数据的挑战.
• 提高缺陷检测网络的培训稳定性和生成能力.
• 通过生成数据,提高缺陷检测模型的准确性和趋同性.

主要方法:

• 开发了DG-GAN,这是一个用于缺陷图像合成的渐进型生成对抗网络.
• 包含D2对抗损失,循环一致性损失,数据增强模块和自我注意机制.
• 在两个数据集上验证了生成的图像的质量和多样性,以及它们对YOLOX检测模型的影响.

主要成果:

• DG-GAN生成了高质量,多样化的表面缺陷图像,显著降低了FID分数 (平均降低16.17和20.06).
• 训练用DG-GAN生成的图像检测缺陷模型,提高了融合稳定性和检测准确性.
• 随着添加生成的缺陷图像,YOLOX检测准确度显著增加 (高达6.1%和20.4%).

结论:

• DG-GAN有效地生成真实的表面缺陷图像,克服工业环境中的数据限制.
• 生成的图像可以作为有价值的训练数据,提高缺陷检测系统的性能.
• 总局GAN显示了提高工业表面缺陷检测任务的巨大潜力.