SYNOSIS：金属表面检查中机器视觉图像合成管线

使用机器学习方法开发稳健且灵活的视觉检查系统显示出前景。然而，其性能高度依赖于训练数据的数量和多样性。这通常不仅受限于成本，还受限于缺陷和产品表面种类繁多且出现频率不同的限制。因此，无法保证获取的数据集包含足够数量的缺陷和产品表面 occurrences，以开发出稳健的模型。通过参数化合成数据集生成，可以避免这些问题。在本工作中，我们介绍了一个完整的管线，详细描述了如何方法化地进行表面检查图像合成——从首次获取、纹理和缺陷建模、数据生成、与真实数据比较以及最终使用合成数据训练缺陷分割模型。该管线在铣削和喷丸锈化的铝表面上进行了详细评估。除了提供对每一步骤的深入视图外，我们还讨论了所选方法的选择、呈现了机器学习结果，并提供了一个包含真实图像和合成图像的综合双数据集。