Apr, 2023

基于少量数据学习的表面缺陷检测人机知识混合增强方法

PDF
TL;DR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。
visual-based defect detectionfew-data learninghuman-machine knowledge hybrid augmentationindustrial quality controlabnormality
发现论文，激发创造
  • 表面缺陷检测的混合监督：从弱监督到全监督学习

    本研究提出了一种基于深度学习的表面缺陷检测方法，通过利用不同粒度的注释信息从弱标注到像素级其间不同层面进行标注，实现了注释成本的降低，同时取得了在工业质量检验几个数据集上的最优结果。

    Apr, 2021

  • 基于少量标记数据的工业产品表面缺陷检测综述

    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

  • 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

  • 提高计算机视觉制造缺陷检测鲁棒性的一种新策略

    本研究探讨利用深度学习技术进行视觉品质检测问题，针对工业制造中数据重复性高的情况，提出通过学习数据中的特定缺陷类型来训练检测模型，从而使其更能检测出在新情况下出现的缺陷。同时，研究对泛化的影响，以训练在更广泛的条件下工作的模型。

    May, 2023

  • 使用弱监督学习进行缺陷检测

    本文论述了弱监督学习技术在缺乏大量标注数据情况下替代传统有监督学习的可行性，并以缺陷检测任务为例，在图像数据集上对弱监督分类器和有监督分类器的准确性、精度和召回率进行对比实验，结果表明弱监督分类器相对于有监督分类器需要更少的标注数据，但其性能表现相当。

    Mar, 2023

  • 基于扩散的图像生成方法用于表面缺陷检测中的数据增强

    本研究中，我们展示了在工业场景中可以利用扩散模型改进数据增强过程以增强表面缺陷检测。我们提出了一种名为 In&Out 的数据增强方法，混合了超出分布和分布内样本，可以在零样本数据增强和少样本和多样本数据增强设置下处理缺陷数据。在挑战性的 Kolektor 表面缺陷数据集 2 上，我们定义了新的弱监督分类 AP 得分，达到了.782。

    Jun, 2024

  • 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

  • 基于分割的深度学习方法用于表面缺陷检测

    本研究提出了一种基于分割的深度学习架构，用于表面异常检测和分割，在表面裂纹检测的特定领域中表现出比其他深度学习方法更好的性能，可以使用少量的样本进行训练，因此可以实际应用于工业领域。

    Mar, 2019

  • 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

  • 自监督上下文学习用于工业缺陷的视觉检测

    本文提出了一种新颖的自监督学习算法，通过解决著名的拼图问题来设计一个优化的编码器，以在工业产品中检测纹理和物体缺陷，实验结果表明我们的方法在广泛使用的 MVTec AD 数据集上达到了 95.8% 和 96.8% 的杰出检测和分割性能，为纹理和物体缺陷建立了最新的基准。

    Nov, 2023