.png){kind=icon}
返回
A Segmentation-Driven Editing Method for Bolt Defect Augmentation and Detection
.png){kind=icon}
PRE
AI
DOI：10.1109/TSMC.2026.3655553.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
螺栓缺陷检测（BDD）对于确保输电线路的安全至关重要。然而，缺陷图像的稀缺和不平衡的数据分布显著限制了检测性能。为解决此问题，我们提出了基于分割驱动的螺栓缺陷编辑（SBDE）方法用于缺陷生成和数据增强。所提出的框架包含三个主要组成部分。首先，构建了一个螺栓属性分割（BAS）模型，该模型整合了基于对比度的增强和频域滤波，以提高边缘特征表示。引入了一种多部件感知优化策略，以处理螺栓属性的非连续结构，从而生成高质量的结构掩码用于后续编辑。其次，设计了一个基于图像修复的螺栓属性编辑模块，通过应用掩码边界优化和上下文感知重建，移除特定螺栓属性，从而将正常螺栓转换为缺陷螺栓。最后，提出了一种编辑恢复增强策略，将编辑后的螺栓恢复到原始检测图像中，构建完整的缺陷样本以扩展检测数据集。在自建的螺栓数据集和公开的MVTec AD数据集上进行了大量实验。结果表明，所提出的方法在生成质量上显著优于现有的图像编辑方法，并有效提高了多种主流模型在缺陷分类和检测性能上的表现，从而验证了所提方法的有效性和实用潜力。项目代码可在https://github.com/Jay-xyj/SBDE获取。
Keyword:
Bolt defect detection (BDD)
bolt defect generation (BDG)
data augmentation
defect attribute editing
segment anything model (SAM)
期刊
I
IF:
0
论文数:
240
被引数:
0
机构
引用论文
An Ultrasmall Bolt Defect Detection Method for Transmission Line Inspection一种用于输电线路检测的超小螺栓缺陷检测方法
.png){kind=icon}
PREAI
分享收藏Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks更快的r-cnn: 基于区域建议网络的实时目标检测
OAAI
OAAI分享收藏
An Industrial Fault Sample Reconstruction and Generation Method Under Limited Samples With Missing Information一种信息缺失的有限样本下工业故障样本重构与生成方法
PREAI
分享收藏
查看更多内容