结合目标检测器判别器的生成对抗网络以增强超声 B 扫缺陷检测
图像与视频处理
2021-07-06 v1 计算机视觉与模式识别
摘要
无损检测是一组用于材料缺陷检测的技术。虽然成像技术多种多样，但超声成像是使用最广泛的。分析主要由人工检查员手动分析记录图像来完成。真实超声检测中缺陷数量少以及此类检测数据涉及的法律问题，使得从自动超声图像（B 扫）分析中难以获得 proper 结果。在本文中，我们提出了一种新颖的深度学习生成对抗网络（GAN）模型，用于生成具有不同位置缺陷的超声 B 扫。此外，我们表明生成的 B 扫可用于合成数据增强，并能提升深度卷积神经目标检测网络的性能。我们的新方法在近 4000 张 B 扫的数据集上得到验证，该数据集包含超过 6000 个标注缺陷。在真实数据上训练时缺陷检测平均精度为 71%。仅用生成数据训练时结果提升至 72.1%，而混合生成与真实数据时我们达到了 75.7% 的平均精度。我们相信合成数据生成可推广至其他具有有限数据集的挑战，并可用于培训人员。
引用
@article{arxiv.2106.04281,
title = {Generative adversarial network with object detector discriminator for enhanced defect detection on ultrasonic B-scans},
author = {Luka Posilović and Duje Medak and Marko Subasic and Marko Budimir and Sven Loncaric},
journal= {arXiv preprint arXiv:2106.04281},
year = {2021}
}