利用 GAN 进行合成数据增强以改进自动化视觉检测
计算机视觉与模式识别
2022-12-20 v1 人工智能
摘要
质量控制是制造企业为确保其产品符合要求与规格而执行的关键活动。引入人工智能模型能够实现视觉质量检测的自动化，从而加快检测过程并确保所有产品在相同标准下接受评估。在本研究中，我们比较了有监督与无监督的缺陷检测技术，并探索了在自动化视觉检测背景下缓解数据不平衡的数据增强技术。此外，我们使用生成对抗网络（GAN）进行数据增强，以提升分类器的判别性能。结果表明，最先进的无监督缺陷检测方法在性能上不及有监督模型，但可用于将标注工作量减少 50% 以上。此外，基于 GAN 的数据生成方法取得了最佳分类性能，其 AUC ROC 得分等于或高于 0.9898，即使仅保留 25% 表示缺陷产品的图像以加剧数据集不平衡时也是如此。本研究使用 Philips Consumer Lifestyle BV 提供的真实数据开展。
引用
@article{arxiv.2212.09317,
title = {Synthetic Data Augmentation Using GAN For Improved Automated Visual Inspection},
author = {Jože M. Rožanec and Patrik Zajec and Spyros Theodoropoulos and Erik Koehorst and Blaž Fortuna and Dunja Mladenić},
journal= {arXiv preprint arXiv:2212.09317},
year = {2022}
}