摘要: 针对工业缺陷检测中存在的由产品次品率过低、产品迭代更新过快、缺陷种类难以覆盖全部以及缺陷样本高质量标注难度较高导致的小样本问题,使用基于点集匹配的缺陷样本图像生成方法来对缺陷数据进行扩充。将缺陷部位从多特征角度进行变换,使用单张样本进行扩充得到不同特征的缺陷图像,解决小样本条件下深度学习方法难以生成高质量缺陷图像的问题。通过图像评估与实验验证,该方法生成的图像具有更好的视觉效果,并且对缺陷与分割模型有着高效的提升。该方法可应用于样本较少的深度学习模型训练过程中,达到扩充样本提高训练效果的目的。
- 关键词:
- 工业 /
- 缺陷检测 /
- 小样本问题 /
- 点集匹配 /
- 样本扩充 /
- 缺陷样本生成 /
- 有效训练 /
- 循环生成对抗网络模型 /
- 矢量化变分自动编码器
工业产品与人们的生活息息相关,因此工业产品的质量把控尤为重要,这也使得工业产品的缺陷检测问题愈发受到重视。其检测过程中存在的小样本问题指缺陷检测时存在的缺陷样本数量少、缺陷特征缺乏多样性等问题,这也是当前许多行业缺陷检测中普遍存在的问题[1]。产生小样本问题的原因有很多,最常见的为缺陷样本图像采集成本过高。其次由于部分工业生产过程中缺陷产品数量极少,导致采集到的缺陷样本数量也极少。近年来缺陷检测行业主要通过工程途径和算法途径来解决工业检测中的小样本问题[2]。工程途径的方法主要为基于真实产品手动制造仿真缺陷,但这会对产品造成不可逆的破坏,对具有较高价值的产品采用这种方法并不合理。此外,由于大多数缺陷产生于无意识状态,手动制造缺陷不一定与实际缺陷情况吻合,往往存在较大的失真[