基于神经风格迁移的缺陷样本仿真用于自动表面缺陷分割
计算机视觉与模式识别
2019-10-09 v1 图像与视频处理
摘要
由于工业产品质量检测中缺陷样本匮乏，训练好的分割模型在线上应用时容易过拟合。为解决该问题，我们提出一种基于神经风格迁移的缺陷样本仿真算法。该仿真算法仅需少量缺陷样本进行训练，即可高效生成用于下一步分割任务的仿真样本。在我们的工作中，我们引入掩码直方图匹配模块以保持生成区域与真实缺陷的颜色一致性。为保持与周围像素的纹理一致性，我们采用快速风格迁移算法将生成区域融入背景。同时，我们还使用直方图损失进一步提升生成图像的质量。此外，我们提出了一种新颖的分割网络结构，使其更适用于缺陷分割任务。我们在按钮数据集上分别使用真实缺陷样本和生成的仿真样本训练分割网络。结果表明，仅使用生成的仿真样本训练的模型 F1 分数达到 0.80，优于真实样本的结果。
引用
@article{arxiv.1910.03334,
title = {Defective samples simulation through Neural Style Transfer for automatic surface defect segment},
author = {Taoran Wei and Danhua Cao and Xingru Jiang and Caiyun Zheng and Lizhe Liu},
journal= {arXiv preprint arXiv:1910.03334},
year = {2019}
}
备注
To be published in 2019 International Conference on Optical Instrument and Technology (OIT 2019)