DG2GAN:通过生成缺陷图像样本来提高缺陷识别性能
Fuqin Deng1,2, Jialong Luo1, Lanhui Fu1
1School of Mechanical and Automation Engineering, The Wuyi University, Jiangmen, 529000, China.
Scientific reports
|June 26, 2024
概括
本研究介绍了DG2GAN,这是一种创新的方法,用于生成多样化,高质量的缺陷图像,以解决制造业数据不平衡的问题. 这种方法显著提高了基于深度学习的表面缺陷识别准确度和精度.
科学领域:
- 计算机视觉 计算机视觉
- 机器学习 机器学习
- 材料科学 材料科学 材料科学
背景情况:
- 在制造业中,表面缺陷识别面临着不平衡,低质量和不多样化的图像数据的挑战.
- 现有的数据增强方法往往无法生成现实的和多样化的缺陷图像.
研究的目的:
- 开发一种先进的缺陷生成方法,以改进基于深度学习的表面缺陷识别.
- 为了克服数据不平衡,缺乏多样性和缺陷图像数据集质量差的局限性.
主要方法:
- 提出了一个名为DG2GAN的新型生成对抗网络 (GAN),包含循环一致性损失,DJS优化区分器损失和新的DG2对抗损失.
- DG2GAN从无缺陷图像中生成缺陷图像,确保数据多样性和高质量.
主要成果:
- 与现有方法相比,DG2GAN产生了高质量和多样性的缺陷图像.
- 使用DG2GAN对CrackForest和MVTec数据集进行数据增强,使得缺陷识别精度从86.9%提高到94.6%,精度从59.8%提高到80.2%.
结论:
- 该DG2GAN方法有效地产生高质量,多样化的合成缺陷图像.
- 采用DG2GAN进行数据增强可以显著提高制造业表面缺陷识别系统的性能.
