利用扩散模型增强玻璃缺陷检测：解决制造业质量控制中的不平衡数据集问题
计算机视觉与模式识别
2025-07-30 v3 机器学习
摘要
由于缺陷产品出现频率低，导致数据集不平衡，限制了深度学习模型和计算机视觉系统的性能，因此工业玻璃制造中的视觉缺陷检测仍然是一个关键挑战。本文提出了一种新颖的方法，使用去噪扩散概率模型 (DDPM) 生成合成的缺陷玻璃产品图像以进行数据增强，从而有效解决制造业质量控制和自动化视觉检测中的类别不平衡问题。该方法通过增加少数类别的表示，显著增强了标准 CNN 架构（ResNet50V2、EfficientNetB0 和 MobileNetV2）在检测异常时的图像分类性能。实验结果表明，在所有测试的深度神经网络架构中，关键机器学习指标均有显著提升，尤其是在缺陷样本的召回率方面，同时在验证集上保持了完美的精确率。最显著的改进体现在 ResNet50V2 的整体分类准确率上，当使用增强数据进行训练时，其准确率从 78% 提升至 93%。这项工作为增强玻璃制造中的自动化缺陷检测提供了一种可扩展、成本效益高的方法，并可能扩展到具有类似类别不平衡挑战的其他工业质量保证系统和行业。
引用
@article{arxiv.2505.03134,
title = {Enhancing Glass Defect Detection with Diffusion Models: Addressing Imbalanced Datasets in Manufacturing Quality Control},
author = {Sajjad Rezvani Boroujeni and Hossein Abedi and Tom Bush},
journal= {arXiv preprint arXiv:2505.03134},
year = {2025}
}
备注
12 pages, 7 figures, published in Computer and Decision Making - An International Journal (COMDEM)