wordpress 会员管理插件,阿里网站seo,用cms建设网站课程宅门,优化系统AI 技术应用落地的元年#xff0c;工业是主战场#xff0c;尤其是工业缺陷检测。
在“生产制造-缺陷检测-工艺优化-生产制造”的智能制造闭环链条中#xff0c;基于AI的智能缺陷检测扮演着“把关者”的角色。但这个把关者长期以来却缺少一个称手的工具——样本量大、精度高…AI 技术应用落地的元年工业是主战场尤其是工业缺陷检测。
在“生产制造-缺陷检测-工艺优化-生产制造”的智能制造闭环链条中基于AI的智能缺陷检测扮演着“把关者”的角色。但这个把关者长期以来却缺少一个称手的工具——样本量大、精度高、语义丰富的缺陷数据集。
近日ECCV2024接收的一篇论文引起业界广泛关注该工作提出了Defect Spectrum缺陷数据集及DefectGen缺陷生成模型主攻工业智能检测可解决模型无法识别的缺陷类别和位置问题有效提升10.74%召回率降低33.1%过杀率。
这是港科广和专注于智能制造领域的人工智能独角兽思谋科技联合发布的又一杰作。去年该合作团队提出的《Ref-NeuS: Ambiguity-Reduced Neural Implicit Surface Learning for Multi-View Reconstruction with Reflection》被选为ICCV最佳论文候选。 Project Page: https://envision-research.github.io/Defect_Spectrum/
Arxiv Page: https://arxiv.org/abs/2310.17316
Github Repo: https://github.com/EnVision-Research/Defect_Spectrum
Dataset Repo: https://huggingface.co/datasets/DefectSpectrum/Defect_Spectrum 突破传统限制更贴近落地生产
高质量的数据集对CV技术和人工智能的发展起着至关重要的作用。如ImageNet不仅推动了算法的创新还促进产业发展和进步。
在工业界MVTec、VISION VI、DAGM2007等数据集帮助视觉学习算法更接近工业生产实际场景但由于样本量、精度、语义描述的不足始终限制着AI工业检测的发展。
Defect Spectrum数据集带着突破传统缺陷检测界限的任务而来为工业缺陷提供了详尽、语义丰富的大规模标注首次实现了超高精度及丰富语义的工业缺陷检测。
相比其他工业数据集“Defect Spectrum”数据集提供了5438张缺陷样本、125种缺陷类别并提供了像素级的细致标签为每一个缺陷样本提供了精细的语言描述实现了前所未有的性能突破。 相比其他工业数据集Defect Spectrum精准度更高、标注更丰富 Defect Spectrum与其他数据集的数量、性质对比 从实际的工业生产来看工厂对缺陷检测的要求细致需要在控制缺陷件的同时保证收益率。然而现有缺陷检测数据集常常缺乏应用所需的精确度和语义丰富性无法良好支持实际生产。
例如一件衣服的拉链齿出现了错位虽然缺陷尺寸不大但却影响衣物功能导致拉链无法正常使用消费者不得不将其退回工厂进行修复。然而如果缺陷发生在衣物的面料上比如轻微的钩丝或颜色略有差异这时就需要仔细权衡其尺寸和影响。小规模的面料缺陷可被归类在可接受的范围内允许这些产品通过不同的分销策略销售比如以打折价格进行销售在不影响整体质量的同时保有收益。
传统数据集如MVTEC和AeBAD尽管提供了像素级的标注但常常局限于binary mask无法细致区分缺陷类型和位置。Defect Spectrum数据集通过与工业界四大基准的合作重新评估并精细化已有的缺陷标注对细微的划痕和凹坑进行了更精确的轮廓绘制且通过专家辅助填补了遗漏的缺陷确保了标注的全面性和精确性。
通过Defect Spectrum数据集这个强大的工具工厂缺陷检测系统能够迅速识别、立即标记并采取相关修复策略。 革命性生成模型专攻缺陷样本不足
港科大和思谋科技研究团队还提出了缺陷生成模型Defect-Gen一个两阶段的基于扩散的生成器。 Defect-Gen两阶段生成流程示意图
Defect-Gen专门解决当前数据集中缺陷样本不足的问题通过利用极少量的工业缺陷数据生成图像与像素级缺陷标签即使在有限的数据集上也能工作为AI在复杂工业环境中的应用开辟了新的可能。
Defect-Gen具体通过两个关键方法提高图像的多样性和质量一是使用Patch级建模二是限制感受野。
为弥补Patch级建模在表达整个图像结构上的不足研究团队首先在早期步骤中使用大感受野模型捕捉几何结构然后在后续步骤中切换到小感受野模型生成局部Patch可在保持图像质量的同时显著提升了生成的多样性。通过调整两个模型的接入点和感受野模型在保真度和多样性之间实现了良好的平衡。而生成数据同样可以作为数据飞轮的一部分并加速其运转。
目前Defect Spectrum数据集的5438张缺陷样本中有1920张由Defect-Gen生成。研究团队对应用Defect-Gen生成模型的Defect Spectrum数据集进行了全面的评估验证了Defect Spectrum在各种工业缺陷检测挑战中的适用性和优越性。 部分缺陷检测网络在Defect Spectrum数据集上的测评结果 Defect Spectrum数据集上的实际评估标准 Defect Spectrum在实际评估中的优异表现
比起原有的数据集在Defect Spectrum数据集上训练的模型召回率(recall)提升10.74%过杀率(False Positive Rate)降低了33.1%。
Defect Spectrum数据集的引入犹如为工业生产注入了一剂强心针。它让缺陷检测系统更加贴近实际生产需求实现了高效、精准的缺陷管理。同时为未来的预测性维护提供了宝贵的数据支持通过记录每个缺陷的类别和位置工厂可以不断优化生产流程改进产品修复方法最终实现更高的生产效益和产品质量。
目前Defect Spectrum数据集已应用于思谋科技缺陷检测视觉模型的预训练中未来将与IndustryGPT等工业大模型融合深度落地并服务于工业质检业务。AI技术落地驱动产业发展也正是学术界和工业界共同努力方向。
