SSGD:用于智能手机屏幕玻璃缺陷检测的数据集
近年来,质量控制领域不断利用视频摄像和图像处理集成来进行有效的缺陷检测。然而,开发和改进自动缺陷检测模型所需的带有注释缺陷的全面数据集稀缺,阻碍了进展。本系统性综述涵盖 2015 年至 2023 年,鉴别 15 个公开可用的数据集并对其进行关键评估,以评估其用于基准测试和模型开发的有效性和适用性。研究结果揭示了各种数据集的多样化情况,如 NEU-CLS,NEU-DET,DAGM,KolektorSDD,PCB Defect Dataset 和空心圆柱缺陷检测数据集,每个数据集在图像质量、缺陷类型表示和实际应用方面都有其独特的优势和局限性。本系统性综述的目标是将这些数据集整合到一个地方,为寻找此类公开可用资源的研究人员提供全面参考。
Jun, 2024
本文提出了一种基于参考点的检测方法和一种卷积神经网络对缺陷进行分类的方式,并公开了一个包含 6 种缺陷的综合 PCB 数据集,该方法在数据集上表现出强大的性能。
Jan, 2019
介绍一种称为 “Defect Spectrum” 的全面基准数据库,提供用于工业缺陷的精确、语义丰富和大规模的注释;同时引入名为 “Defect-Gen” 的两阶段扩散型生成器,可生成高质量和多样化的缺陷图像,显著提高缺陷检测模型的效果;该数据库在缺陷检测研究中具有巨大潜力,为测试和改进先进模型提供坚实的平台。
Oct, 2023
本文提出了一种人机知识混合增强方法,用于从头开始积累少量数据,并将其作为先验知识提供给模型进行少数据学习,进而在工业缺陷检测中取得了可行性和有效性的进展。
Apr, 2023
针对钢表面缺陷图像生成的数据不足问题,提出了一种稳定的钢表面缺陷图像生成方法,通过在生成过程中对数据分布进行参数调整和采用钢表面图像导向的生成方法,以解决钢表面图像与生成图像的分布差异问题,并在钢表面缺陷数据集上展示了出色的样本生成和识别模型训练性能。
May, 2024
本研究通过使用卷积神经网络进行物体检测的最新方法,创建了一个可供公开使用的大型路面损伤数据集,该数据集包含了来自 7 个日本市的 9053 张路面损伤图片,针对这个数据集训练出有较高准确性的路面损伤检测模型,并成功将损伤分为八个类型。
Jan, 2018
本文回顾了基于少量标注数据的工业产品表面缺陷检测方法,包括传统的基于图像处理的方法和适用于少量标注数据的基于深度学习的方法。传统的表面缺陷检测方法分为统计方法、光谱方法和模型方法;基于深度学习的方法包括基于数据增强、迁移学习、模型微调、半监督、弱监督和无监督方法。
Mar, 2022
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