.png){kind=icon}
返回
A Few-Shot Steel Surface Defect Generation Method Based on Diffusion Models
.png){kind=icon}
OA
AI
DOI：10.3390/s25103038.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
小样本钢表面缺陷生成由于训练样本的有限可用性和工业缺陷的复杂视觉特征而仍然具有挑战性。传统数据增强技术往往无法捕捉缺陷的多样化表现，导致检测性能不佳。虽然现有的稳定扩散模型具有强大的生成能力，但将其应用于工业场景时存在领域知识迁移限制。为解决这些约束，提出了稳定工业缺陷生成（stableIDG）方法，通过三个关键改进增强稳定扩散：（1）采用低秩嵌入适配进行微调以适应钢表面缺陷生成；（2）实施与缺陷区域关联的个性化标识符以防止生成时的畸形；（3）开发了一种掩码引导的缺陷学习机制，将网络注意力导向关键缺陷区域，从而提升生成细节的真实度。该方法在一个真实工业环境中新建的中厚板表面缺陷数据集（MHPSD）上进行了验证。实验表明，与现有方法（如文本反转）相比，stableIDG实现了更优的图像生成质量。此外，当使用生成的样本进行数据增强时，检测网络的性能得到了有效提升。对于两类缺陷，检测召回率均显著提高：夹杂缺陷从0.656提升至0.908，外来物嵌入缺陷从0.86提升至0.986。这些结果证明了所提方法在数据稀缺场景下进行工业缺陷检测的有效性。
Keyword:
image generation
data augmentation
surface defects
diffusion model
defect detection
deep learning
industrial inspection
期刊
IF:
3.5
论文数:
7.2W
被引数:
20.9W
机构
引用论文
.png){kind=icon}
Unpaired Image-to-Image Translation Using Cycle-Consistent Adversarial Networks使用循环一致的对抗网络进行不成对的图像到图像的翻译
OAAI
OAAI分享收藏
查看更多内容