简介:用于金属表面检查中的机器视觉的图像合成管道

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:

• 视觉检查的机器学习 (ML) 需要广泛,多样化的训练数据,这往往是不切实际的.
• 现有的合成数据生成方法,主要是生成模型,面临着诸如数据短缺,幻觉和边缘病例的有限处理等挑战.
• 在生成具有结构化模式的物理现实的纹理以进行强大的ML模型训练方面存在差距.

研究的目的:

• 介绍一种新的合成数据生成管道,用于创建具有结构化模式的物理现实的纹理的大数据集.
• 为了能够精确地控制纹理参数,生成各种观察到和未观察到的纹理实例.
• 评估生成的合成数据集的质量及其预测下游ML性能的潜力.

主要方法:

• 基于具有可解释参数的程序纹理建模的合成数据生成管道的开发.
• 数据集的生成,包括喷砂,并行削和螺旋削纹理.
• 通过真实和合成域之间的图像相似度量来评估数据集质量,超出最终模型性能.

主要成果:

• 该管道成功生成了大量物理现实的纹理数据集,具有复杂的结构图案.
• 程序方法允许精确控制纹理参数,确保边缘案例的多样性和覆盖范围.
• 图像相似度指标表明了可以预测下游检测性能的趋势,提供了一种新的评估方法.

结论:

• 拟议的管道为生成高质量的合成纹理数据提供了强大的解决方案,解决了当前方法的局限性.
• 可解释的参数控制为为机器学习创建多样化和现实的数据集提供了独特的优势.
• 这些发现表明,图像相似度指标可以作为下游任务性能的有价值预测指标,指导未来的合成数据开发.