一种基于同类融合的工业数据扩充算法

邵桂芳，黄 梦，高凤强，刘暾东

(厦门大学航空航天学院，厦门市大数据智能分析与决策重点实验室，福建厦门361005)

数字图像处理技术广泛应用于生物医学图像分析[1]、工业机器人视觉[2]以及目标分类与检测[3-4]等领域.特别是基于机器视觉的工业缺陷检测有效解决了人工检测效率低及误检和漏检等问题，从而提升后续产品的性能.但其处理精度取决于缺陷图像数据量与相应处理方法，而工业生产过程中缺陷属于小概率事件，缺陷特征的出现具有一定的随机性，导致原始样本数据量不足.同时，受工业生产工艺和原材料的影响，表面缺陷可能是多样且形态各异的，例如，板材生产过程中，其表面偶尔会出现斑块、裂纹、麻点、夹杂、划伤及轧入氧化皮等多种缺陷[5].数据的部分内容缺失、可信性低、不同类之间的数据不平衡、特种环境下数据获取困难导致的数据样本少等问题给基于机器视觉的缺陷检测带来了很大挑战[6-8].

为提高缺陷图像样本的数量和多样性，研究者针对数据扩充技术开展了大量研究，主要有常规的数据扩充方法、基于数据增强策略的扩充方法和基于数据生成的扩充方法等3类.常规的图像数据扩充方法包括旋转、填充、平移、插值、翻转、高斯噪声、翻折、裁剪、几何变换、缩放、弹性形变和主成分分析抖动以及其组合，例如，Alex等[9]提出将水平翻转和主成分分析这两个不同的常规数据扩充方法结合起来改善模型性能；Zeiler等[10]提……