May, 2024

利用扩散先验生成钢表面缺陷图像样本，用于缺陷识别

PDF
TL;DR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。
steel surface defect recognitiondata insufficiencydefect image samplesstable surface defect generationdiffusion model
发现论文，激发创造
  • 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

  • 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

  • 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

  • 融合潜在扩散模型的在线自适应工业缺陷生成的新方法

    介绍了一种针对工业异常检测中缺乏缺陷样本的挑战的新算法，利用扩充缺陷样本来提高异常检测性能。该方法通过在潜在空间中生成缺陷样本的扩散模型，并通过一个特征编辑过程对其进行优化，采用三阶段的图像生成推理策略，生成高质量、多样化的缺陷样本，从而显著提高了基于扩充训练集的异常检测的准确性。在广泛认可的 MVTec AD 数据集上，该方法将其异常检测的表现提升了 1.5％，1.9％和 3.1％的 AP、IAP 和 IAP90 指标。

    Feb, 2024

  • 基于半扩散模型的半导体缺陷分类和分割方法 (SEMI-DiffusionInst)

    本研究针对制造领域中先进节点技术中扫描电子显微镜图像的缺陷检测问题，提出了一个名为 “SEMI-DiffusionInst” 的新的半导体缺陷检测框架，并证明了该方法可以准确地检测并划分缺陷图案

    Jul, 2023

  • 利用通道洗牌的深度学习加速金属表面缺陷检测

    基于 YOLOv5 的改进型缺陷检测模型在钢表面上检测小且复杂的缺陷目标，在精度和检测时间方面表现优于其他可比较的模型。

    Jun, 2024

  • 用于加工金属表面纹理合成的随机几何模型：喷砂和铣削

    使用合成数据和纹理合成模型，构建了数字孪生对象的微观表面拓扑模型，解决了视觉表面检测系统的训练数据不足和缺乏样本缺陷多样性的问题。

    Mar, 2024

  • 对卷积神经网络在钢板表面缺陷分类中性能的建模与评估

    探讨基于转移学习技术的各种 CNN 模型的性能评估结果表明，DenseNet201 在 NEU 数据集上的检测率最高，达到 98.37%。

    Jun, 2024

  • 在空中训练：使用生成数据提高图像分类

    本文介绍了一种名为 “Diffusion Inversion” 的方法，该方法使用预先训练的生成模型 Stable Diffusion，通过将图像倒换到其潜在空间中来捕获原始数据分布并确保数据覆盖，即可生成多样高质量的训练图片，此方法通过三个关键部件成功替换了原始数据集，从而提高了样本复杂度并缩短了采样时间，不仅优于泛化提示导向方法和 KNN 检索基线，还可与常见数据增强技术兼容，提高少样本学习的可靠性。

    May, 2023

  • 揭示虚假：有效的扩散生成图像检测

    本文提出了一种名为 SeDID 的新型检测方法，它利用了扩散模型的特殊属性，即确定性逆和确定性降噪计算误差，分别采用基于统计的 SeDID_Stat 和基于神经网络的 SeDID_NNs，实验证明 SeDID 在应用于扩散模型时优于现有方法，并对区分扩散模型生成的图像做出重要贡献，成为人工智能安全领域的重要一步。

    Jul, 2023