汽车生产中的合成相似性搜索

汽车生产中的视觉质量检测对于确保车辆的安全性和可靠性至关重要。计算机视觉（CV）因其成本效益和可靠性已成为这些检测的流行解决方案。然而，CV 模型需要大型的、带标注的数据集，这些数据集的收集成本高且耗时。为了减少对大量训练数据的需求，我们提出了一种新颖的图像分类流程，该流程将使用基于视觉的基础模型的相似性搜索与合成数据相结合。我们的方法利用 DINOv2 模型将输入图像转换为特征向量，然后使用余弦距离度量将其与预分类的参考图像进行比较。通过利用合成数据而非真实图像作为参考，我们的流程在不依赖真实数据的情况下实现了高分类精度。我们在八个真实世界的检测场景中评估了这种方法，并证明它满足了生产环境的高性能要求。