人工智能驱动质量检查中的合成训练数据:摄像头,照明和噪声参数的重要性
Dominik Schraml1,2, Gunther Notni1
1Group for Quality Assurance and Industrial Image Processing, Ilmenau University of Technology, 98639 Ilmenau, Germany.
Sensors (Basel, Switzerland)
|January 26, 2024
概括
为人工智能检查生成合成数据是关键. 在合成数据中变化的摄像头角度和照明显著提高了AI模型在工业环境中检测缺陷的性能.
科学领域:
- 计算机视觉 计算机视觉
- 人工智能的人工智能
- 制造业 制造技术 制造技术
背景情况:
- 工业人工智能检查需要大量的培训数据,但产生有缺陷的部件是昂贵的,并且对环境不利.
- 合成数据提供了一个解决方案,但染参数对工业检查中AI有效性的影响尚未得到充分研究.
- 像摄像头位置,照明和噪音等关键参数影响人工智能合成数据的现实性和实用性.
研究的目的:
- 调查染参数对工业缺陷检测AI模型性能的影响.
- 评估摄像头位置,照明和噪声的变化如何影响合成训练数据的有效性.
- 为优化合成数据生成提供洞察力,以实现强大的人工智能驱动的工业检查.
主要方法:
- 使用Blender软件在3D注塑模件模型中程序性添加"闪光"缺陷.
- 通过使用Blender的Cycles染引擎改变相机位置,照明和计算噪声生成合成2D图像数据集.
- 训练了一个预先训练的EfficientNet-V2模型,使用生成的数据集对"闪光"缺陷进行二进制分类.
主要成果:
- 计算噪声的影响不那么严重,尽管不同噪声水平提高了模型的适应性.
- 摄像头定位和照明条件的变化显著提高了AI模型的性能.
- 通过多样化的照明和摄像机动力学生成的合成数据提高了模型的稳定性,即使在一致的现实世界条件下也是如此.
结论:
- 多样化的合成数据,特别是各种相机角度和照明,对于开发高性能AI检查系统至关重要.
- 在合成数据生成中优化染参数可以导致更具适应性和高效的AI模型用于工业质量控制.
- 这项研究强调了参数调整在合成数据创建中对制造业实际人工智能应用的重要性.
