Mar, 2021

缺陷 - GAN：用于自动缺陷检测的高保真缺陷合成

PDF
TL;DRDefect-GAN 是一种自动缺陷合成网络，可生成逼真、多样化的缺陷样本以训练准确、健壮的缺陷检测网络，其采用一种新颖的基于细胞层的体系结构来生成具有不同纹理和外观的各种图像背景下逼真的缺陷，广泛的实验表明，Defect-GAN 能够合成各种缺陷，其生成的的缺陷样本在训练缺陷检测网络方面具有更好的效果。
automated defect inspectiondefect-gandeep neural networksdefect samplesdefect inspection networks
发现论文，激发创造
  • 使用 GAN 进行合成数据增强，以提高自动化视觉检查的效果

    本研究使用人工智能模型进行视觉质量检测，探讨了监督学习和非监督学习的缺陷检测技术以及数据增强技术，结果表明采用生成对抗网络进行数据增广可以获得最佳分类性能

    Dec, 2022

  • DeepInspect：面向制造业的 AI 驱动缺陷检测

    我们的论文利用卷积神经网络（CNNs）、递归神经网络（RNNs）和生成对抗网络（GANs）为制造业引入一种创新的缺陷检测方法。通过从产品照片中提取精细的细节，并利用 RNNs 检测不断演变的错误，并生成合成缺陷数据来增强模型的鲁棒性和适应性以应对各种缺陷情况。该项目利用深度学习框架在制造过程中实现实时缺陷检测。它利用大量带有注释的图像数据集来识别复杂的缺陷模式。该综合系统无缝地融入生产工作流程，提高效率并提升产品质量。因此，它降低了浪费和运营成本，最终提升了市场竞争力。

    Nov, 2023

  • 通过缺陷感知特征操作实现少样本缺陷图像生成

    提出一种用于数据增强的缺陷图像生成方法，包含两个训练阶段，第一个阶段使用无缺陷图像训练数据高效的 StyleGAN2 模型，第二个阶段添加缺陷模块，通过有限的缺陷图像训练以实现生成逼真且多样化的缺陷图像的目标。

    Mar, 2023

  • 稳定扩散控制的工业数据图像合成

    使用生成模型在工业数据上重新生成自我标记的有缺陷图像，从而优化真实工业使用情况下的裂缝分割器，显示了该方法在生产环境中的潜力。

    Jan, 2024

  • 用于颅脑缺陷的异质增强的深度生成网络

    利用深度学习技术生成合成颅骨数据以改善自动设计个性化颅骨植入物的过程。

    Aug, 2023

  • 用于无损超声测试缺陷分类领域适应性的 GAN 及替代合成噪声生成方法

    本文提出了四种唯一的数据生成方法解决了在复合材料组件的无损超声波检测过程中由于训练数据数量不足而导致的挑战，使用卷积神经网络进行训练，并在新的合成数据集上进行训练，取得了较好的实验数据分类效果。

    Jun, 2023

  • 具对比性本地化的强韧缺陷检测

    该论文提出一种无需建模过程，通过生成对抗网络（GAN）、新提出的缩放模式损失和动态遮蔽循环次要网络等三方面联合作用直接检测缺陷模式的一阶段框架，在 MVTec AD 数据集的质地类别中表现出比现有技术更高的 F1 分数和更好的普适性。

    Jun, 2023

  • 基于 GP-WGAN 和增强 Faster R-CNN 的稀有缺陷自动视觉检测框架

    本文提出了一种基于深度学习的两阶段故障诊断框架，第一阶段通过数据扩增增强图像处理性能，第二阶段则使用改进后的深度学习架构进行对象检测，在两个多类别数据集上的实验结果表明，该框架优于其他解决方案。

    May, 2021

  • 基于生成模型的合成训练图像生成：铁路缺陷检测中认知的一种方法

    该研究提出了一种基于 Variational Autoencoder (VAE) 的合成图像生成技术，用于铁路缺陷，通过引入权重衰减正则化和图像重构损失来防止过拟合。使用该合成数据集进行微调的 Visual Transformer (ViT) 模型在铁路缺陷分类中取得了高准确率（98%-99%），为解决铁路缺陷检测中的数据稀缺挑战提供了有希望的解决方案，展示了该领域鲁棒智能认知系统发展的潜力。

    Dec, 2023

  • DOPING: GAN 生成数据增强用于无监督异常检测

    本研究介绍了一种基于 GAN 和 AAE 的数据增强框架，可以应用于未监督的异常检测任务，并成功地解决了在高维数据分布与多模式分布中升采样极少发生正常事件的问题。

    Aug, 2018