使用生成网络进行高效的数据集扩展,以评估围绕写字器的涂层退化程度
Dominik Stursa1, Pavel Rozsival1, Petr Dolezel1
1Faculty of Electrical Engineering and Informatics, University of Pardubice, Pardubice, Czechia.
Frontiers in artificial intelligence
|December 30, 2024
概括
本研究引入了一种使用生成对抗网络 (GAN) 创建合成数据的新方法,用于训练人工智能模型以检测线圈涂层的表面退化. 精心管理的合成数据显著提高了人工智能模型的准确性,并减少了人工注释的努力.
科学领域:
- 材料科学 材料科学 材料科学
- 计算机科学 计算机科学
- 人工智能的人工智能
背景情况:
- 在工业应用中,如线圈涂层中,表面退化的语义细分对于质量控制至关重要.
- 获取大型注释数据集用于训练深度学习模型是一个重大挑战,因为手动注释的成本和时间.
- 现有的数据集可能缺乏多样性,这限制了训练模型的概括能力.
研究的目的:
- 介绍一项用于数据集增强的新方法,用于线圈涂层表面降解的语义细分.
- 调查深度卷积生成对抗网络 (DCGAN) 在生成现实的合成数据方面的有效性.
- 评估合成数据增强对最先进的细分模型 (U-net,DeepLabV3) 性能的影响.
主要方法:
- 使用DCGAN进行数据集增强,以生成合成输入-目标对,用于线圈涂层表面降解.
- 在原始和增强数据集上训练和评估U-net和DeepLabV3模型.
- 系统的实验,以确定最佳比率的合成和真实数据,以提高性能.
- 探索不同的GAN架构,以了解它们在生成多样化和现实的样本方面的适用性.
主要成果:
- 引入DCGAN生成的合成数据显著提高了U-net和DeepLabV3模型在检测表面退化方面的性能.
- 当合成数据与真实数据的比率在0.2到0.5.5之间时,观察到在准确度和F1得分方面获得的最佳性能增长.
- 该研究确定了各种GAN架构在生成样本的现实性和多样性方面的优势和局限性.
- 拟议的增强方法证明了工业应用的可扩展性.
结论:
- 使用DCGAN进行数据集增强提供了一个可扩展和有效的解决方案,以增强用于卷轴涂层表面降解评估的语义细分模型.
- 这些发现减少了手动数据注释的负担,同时提高了模型概括和细分精度.
- 这种方法可以更有效,更准确地检测降解,有利于依赖卷轴涂料的行业.
