数据稀缺情况下模型选择的视觉异常综合

用于工业状态监测的缺陷检测系统只有经过验证才可以信赖，但有缺陷的样本很少见，对于特定资产来说，通常不存在。我们提出了一个框架，可以在真实的无缺陷图像上合成严重程度分级的缺陷，而无需目标资产的任何缺陷参考，可用于模型选择和验证。常见故障模式的缺陷分类是从文献中提炼成不同缺陷严重程度的规定提示。感兴趣的区域是从无缺陷图像中裁剪出来的，并使用预先训练的图像生成模型（“FLUX.2 [klein]”）进行编辑。采用颜色匹配和混合来提高与原始图像的结构一致性。通过评分器和估计的检测难度过滤掉世代。 MVTecAD 上的模型选择实验表明，与通过访问测试数据选择的最佳固定模型相比，图像 AUROC 选择对模型选择的遗憾几乎减少了一半。实验表明需要进行严重程度分级的异常合成。案例研究研究了所提出的对水力发电冲击式水轮机转轮进行现场监测的方法，其中真实的缺陷图像很少且收集成本昂贵。基于 PatchCore 的异常检测模型适合冲击式水轮机图像，并使用合成图像进行选择和验证，显示出强大的检测性能（在最佳阈值和 AUROC 0.97 下正确检测 94%）。该模型能够可靠地检测中度和高级缺陷，而早期缺陷仍然具有挑战性，这表明合成数据有意义地强调了检测器的灵敏度。