用于可控裂纹数据合成的端到端自动化管道

基于视觉的裂纹检测依赖于分割网络，其可靠性取决于训练数据的数量、多样性和标签质量。像素级注释成本高昂，并且特定结构的裂纹图像稀缺。生成增强可以提供额外的数据，但现有的方法解决了孤立的步骤。他们重复使用带注释的掩模，对裂纹几何形状提供有限的控制，并采用调节掩模作为标签而不检查它。本文提出了一种端到端的管道，无需手动注释即可生成带标签的裂纹数据，并评估这些数据以及对其进行训练的检测器的可靠性。具有保证几何属性的程序采样贝塞尔骨架通过生成对抗网络（GAN）转换为裂纹掩模。双 ControlNet 稳定扩散模型将掩模渲染为裂纹图像，无论是在文本描述的表面上还是在用户提供的背景上。在真实图像上训练的分割网络集合将其与继承标签的一致性及其内部分歧结合到像素级标签置信度中。这种置信度对训练损失进行加权，而不是用阈值删除样本。通过图像空间检测概率 (POD) 和校准分析来评估经过训练的探测器。在 CRACK500 和 CrackTree200 上，该管道比传统的、基于扩散和基于流匹配的增强改进了五个分割网络，并且在 CRACK500 上，置信权重在每个测试阈值上比阈值过滤产生更高的精度。在 CRACK500 上，U-Net 在 95% 置信度下以 90% 概率检测到的裂缝宽度从 8.0 像素减少到 4.3 像素，预期校准误差从 14.2% 减少到 9.6%。