基于少样本学习的表面缺陷检测人机知识混合增强方法
计算机视觉与模式识别
2023-05-03 v2 人机交互
摘要
基于视觉的缺陷检测是工业质量控制中一项关键但具有挑战性的任务。大多数主流方法依赖大量现有或相关领域数据作为辅助信息。然而，在实际工业生产中，经常存在多批次、小批量且任务需求快速变化的制造场景，使得难以获得充足且多样的缺陷数据。本文提出了一种并行解决方案，使用人机知识混合增强方法帮助模型提取未知的重要特征。具体而言，通过引入专家关于异常的知识来创建具有丰富特征、位置、尺寸和背景的数据，我们可以从零开始快速积累一定量的数据，并将其作为先验知识提供给模型进行少样本学习。所提出的方法在磁瓦数据集上进行了评估，在使用2、5、10和15张训练图像时，分别取得了60.73%、70.82%、77.09%和82.81%的F1分数。与传统增强方法64.59%的F1分数相比，所提出的方法在最佳结果上提高了18.22%，证明了其在少样本工业缺陷检测中的可行性和有效性。
引用
@article{arxiv.2304.13963,
title = {Human-machine knowledge hybrid augmentation method for surface defect detection based few-data learning},
author = {Yu Gong and Xiaoqiao Wang and Chichun Zhou},
journal= {arXiv preprint arXiv:2304.13963},
year = {2023}
}
备注
24 pages, 15 figures