輸出模塊 IC694MDL645 靈活可變 易于維護

輸出模塊  IC694MDL645  靈活可變 易于維護

輸出模塊  IC694MDL645  靈活可變 易于維護

AI 技術應用落地的元年，工業是主戰場，尤其是工業缺陷檢測。

在“生產制造-缺陷檢測-工藝優化-生產制造”的智能制造閉環鏈條中，基于AI的智能缺陷檢測扮演著“把關者”的角色。但這個把關者長期以來卻缺少一個稱手的工具——樣本量大、精度高、語義豐富的缺陷數據集。

近日，ECCV2024接收的一篇論文引起業界廣泛關注，該工作提出了Defect Spectrum缺陷數據集及DefectGen缺陷生成模型，主攻工業智能檢測，可解決模型無法識別的缺陷類別和位置問題，有效提升10.74%召回率，降低33.1%過殺率。

這是港科廣和專注于智能制造領域的人工智能獨角獸思謀科技聯合發布的又一杰作。去年，該合作團隊提出的《Ref-NeuS: Ambiguity-Reduced Neural Implicit Surface Learning for Multi-View Reconstruction with Reflection》被選為ICCV佳論文候選。

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

突破傳統限制，更貼近落地生產

高質量的數據集對CV技術和人工智能的發展起著至關重要的作用。如ImageNet不僅推動了算法的創新，還促進產業發展和進步。

在工業界，MVTec、VISION VI、DAGM2007等數據集幫助視覺學習算法更接近工業生產實際場景，但由于樣本量、精度、語義描述的不足，始終限制著AI工業檢測的發展。

Defect Spectrum數據集帶著突破傳統缺陷檢測界限的任務而來，為工業缺陷提供了詳盡、語義豐富的大規模標注，實現了超高精度及豐富語義的工業缺陷檢測。

相比其他工業數據集，“Defect Spectrum”數據集提供了5438張缺陷樣本、125種缺陷類別，并提供了像素級的細致標簽，為每一個缺陷樣本提供了精細的語言描述，實現了前所未有的性能突破。

相比其他工業數據集，Defect Spectrum度更高、標注更豐富

Defect Spectrum與其他數據集的數量、性質對比

從實際的工業生產來看，工廠對缺陷檢測的要求細致，需要在控制缺陷件的同時保證收益率。然而，現有缺陷檢測數據集常常缺乏應用所需的jingque度和語義豐富性，無法良好支持實際生產。

例如，一件衣服的拉鏈齒出現了錯位，雖然缺陷尺寸不大但卻影響衣物功能，導致拉鏈無法正常使用，消費者不得不將其退回工廠進行修復。然而，如果缺陷發生在衣物的面料上，比如輕微的鉤絲或顏色略有差異，這時就需要仔細權衡其尺寸和影響。小規模的面料缺陷可被歸類在可接受的范圍內，允許這些產品通過不同的分銷策略銷售，比如以打折價格進行銷售，在不影響整體質量的同時保有收益。

傳統數據集如MVTEC和AeBAD盡管提供了像素級的標注，但常常局限于binary mask，無法細致區分缺陷類型和位置。Defect Spectrum數據集通過與工業界四大基準的合作，重新評估并精細化已有的缺陷標注，對細微的劃痕和凹坑進行了更jingque的輪廓繪制，且通過專家輔助填補了遺漏的缺陷，確保了標注的全面性和jingque性。

通過Defect Spectrum數據集這個強大的工具，工廠缺陷檢測系統能夠迅速識別、立即標記，并采取相關修復策略。

革命性生成模型，專攻缺陷樣本不足

港科大和思謀科技研究團隊還提出了缺陷生成模型Defect-Gen，一個兩階段的基于擴散的生成器。

Defect-Gen兩階段生成流程示意圖

Defect-Gen專門解決當前數據集中缺陷樣本不足的問題，通過利用極少量的工業缺陷數據生成圖像與像素級缺陷標簽，即使在有限的數據集上也能工作，為AI在復雜工業環境中的應用開辟了新的可能。

Defect-Gen具體通過兩個關鍵方法提高圖像的多樣性和質量：一是使用Patch級建模，二是限制感受野。

為彌補Patch級建模在表達整個圖像結構上的不足，研究團隊首先在早期步驟中使用大感受野模型捕捉幾何結構，然后在后續步驟中切換到小感受野模型生成局部Patch，可在保持圖像質量的同時，顯著提升了生成的多樣性。通過調整兩個模型的接入點和感受野，模型在保真度和多樣性之間實現了良好的平衡。而生成數據同樣可以作為數據飛輪的一部分，并加速其運轉。

目前，Defect Spectrum數據集的5438張缺陷樣本中，有1920張由Defect-Gen生成。研究團隊對應用Defect-Gen生成模型的Defect Spectrum數據集進行了全面的評估，驗證了Defect Spectrum在各種工業缺陷檢測挑戰中的適用性和優越性。

部分缺陷檢測網絡在Defect Spectrum數據集上的測評結果

Defect Spectrum數據集上的實際評估標準

Defect Spectrum在實際評估中的優異表現

比起原有的數據集，在Defect Spectrum數據集上訓練的模型召回率(recall)提升10.74%，過殺率(False Positive Rate)降低了33.1%。

Defect Spectrum數據集的引入，猶如為工業生產注入了一劑強心針。它讓缺陷檢測系統更加貼近實際生產需求，實現了高效、的缺陷管理。同時為未來的預測性維護提供了寶貴的數據支持，通過記錄每個缺陷的類別和位置，工廠可以不斷優化生產流程，改進產品修復方法，終實現更高的生產效益和產品質量。

目前Defect Spectrum數據集已應用于思謀科技缺陷檢測視覺模型的預訓練中，未來將與IndustryGPT等工業大模型融合，深度落地并服務于工業質檢業務。AI技術落地驅動產業發展，也正是學術界和工業界共同努力方向。

輸出模塊  IC694MDL645  靈活可變 易于維護