基于对抗学习的工业监测替代数据增强
计算机视觉与模式识别
2022-05-11 v1 图像与视频处理
摘要
视觉检测软件已成为制造业中质量控制与过程监测的关键因素。语义分割模型因可实现更精细的检验而日益重要。然而,这些模型需要大型图像数据集才能达到合理的精度水平。在某些情况下,训练数据稀疏或缺乏充分标注,这一情况尤其适用于高度专业化的生产环境。数据增强是扩展数据集的常用策略,但其仅在较窄范围内对图像进行变化。本文提出一种增强小型图像数据集的新策略。该方法应用于碳纤维表面监测这一特定工业用例。我们采用两种不同方法生成二值标签:一种针对问题定制的三角函数与一种 WGAN 模型。随后,使用 pix2pix 将标签转换为彩色图像,并用于训练 U-Net。结果表明三角函数优于 WGAN 模型。然而,对生成图像的精细检验表明,WGAN 与图像到图像转换取得了良好的分割结果,且仅与传统数据增强有微小偏差。总之,本研究考察了利用生成对抗网络进行数据合成在工业中的应用,并探索了其在生产环境监测系统中的潜力。
引用
@article{arxiv.2205.04222,
title = {Alternative Data Augmentation for Industrial Monitoring using Adversarial Learning},
author = {Silvan Mertes and Andreas Margraf and Steffen Geinitz and Elisabeth André},
journal= {arXiv preprint arXiv:2205.04222},
year = {2022}
}