ImbDef-GAN:基于样本不平衡的缺陷图像生成方法
Dengbiao Jiang1, Nian Tao1, Kelong Zhu1
1School of Computer Science, Jiangsu University of Science and Technology, Zhenjiang 212003, China.
Journal of imaging
|October 28, 2025
概括
ImbDef-GAN为工业环境生成真实的缺陷图像,克服数据稀缺. 这种深度学习框架通过创建多样化,良好的缺陷样本来提高缺陷检测的准确性.
科学领域:
- 计算机视觉 计算机视觉
- 机器学习 机器学习
- 工业自动化 工业自动化
背景情况:
- 对于缺陷检测而言,深度学习需要大量的数据,但在工业环境中,缺陷样本很少见.
- 现有的生成方法在与不自然的缺陷界限,面具不对齐和错误的缺陷位置作斗争.
研究的目的:
- 引入 ImbDef-GAN,这是一个新的生成框架,用于解决缺陷检测中的样本不平衡.
- 提高生成的缺陷图像的现实性和多样性,用于训练检测模型.
主要方法:
- 一个两阶段的方法:背景图像生成 (StyleGAN3变体与Progress合的Gated Detail Injection) 和条件缺陷图像生成.
- 用残余分支提取缺陷特征并为自然过渡进行混合.
- 面具意识的歧视者,边缘结构损失和区域一致性损失的忠诚度.
主要成果:
- 与MVTec AD数据集上的现有方法相比,ImbDef-GAN产生了更现实的和多样化的缺陷.
- 使用ImbDef-GAN生成的数据进行YOLOv11训练,导致mAP@0.5.5.的5.4%改善.
- 该框架有效地解决了不自然的过渡,面具 misalignment,和外界放置.
结论:
- ImbDef-GAN为生成合成缺陷数据提供了强大的解决方案,减轻了工业缺陷检测中样本稀缺的挑战.
- 拟议的方法显著提高了下游深度学习检测器的性能,提高了整体检测准确度.
