基于分割驱动的螺栓缺陷数据增强与检测方法
计算机视觉与模式识别
2026-01-23 v3
摘要
螺栓缺陷检测对于确保输电线路安全至关重要，但缺乏缺陷图像和不平衡的数据分布显著限制了检测性能。为此，我们提出了一种基于分割驱动的螺栓缺陷编辑方法（SBDE）来扩充数据集。首先，提出了螺栓属性分割模型（Bolt-SAM），通过CLAHE-FFT适配器（CFA）和多分部感知掩码解码器（MAMD）增强复杂螺栓属性的分割，生成高质量掩码以用于后续编辑任务。其次，设计了掩码优化模块（MOD），并将其集成到图像填充模型（LaMa）中，以构建螺栓缺陷属性编辑模型（MOD-LaMa），通过属性编辑将正常螺栓转换为不良螺栓。最后，提出了编辑恢复数据增强（ERA）策略，将编辑后的缺陷螺栓恢复并放置回原始检查场景，从而扩充缺陷检测数据集。我们构建了多个螺栓数据集并进行了广泛实验。实验结果表明，SBDE生成的螺栓缺陷图像在性能上显著优于最先进的图像编辑模型，并且有效提升了螺栓缺陷检测性能，这充分验证了所提出方法的有效性和应用潜力。项目代码已公开于https://github.com/Jay-xyj/SBDE。
引用
@article{arxiv.2508.10509,
title = {A Segmentation-driven Editing Method for Bolt Defect Augmentation and Detection},
author = {Yangjie Xiao and Ke Zhang and Jiacun Wang and Xin Sheng and Yurong Guo and Meijuan Chen and Zehua Ren and Zhaoye Zheng and Zhenbing Zhao},
journal= {arXiv preprint arXiv:2508.10509},
year = {2026}
}