Přejít k hlavnímu obsahu

Přihlášení pro studenty

Přihlášení pro zaměstnance

Publikace detail

Efficient dataset extension using generative networks for assessing degree of coating degradation around scribe
Rok: 2024
Druh publikace: článek v odborném periodiku
Název zdroje: Frontiers in Artificial Intelligence
Strana od-do: 1-14
Tituly:
Jazyk Název Abstrakt Klíčová slova
cze Efektivní rozšíření datasetu pomocí generativních sítí pro hodnocení stupně degradace nátěru v okolí vrypu V této studii je představena nová metodika pro rozšíření datasetu při sémantické segmentaci degradace nátěrových hmot. Hluboké konvoluční generativní adverzariální sítě (DCGAN) jsou použity k vytvoření syntetických dvojic vstup-cíl, které se věrně podobají reálným datům, s cílem rozšířit stávající soubor dat. Tyto rozšířené datové sady jsou použity k tréninku dvou nejmodernějších modelů, U-net a DeepLabV3, pro přesnou detekci degradačních oblastí v okolí vrypu. V sérii experimentů bylo prokázáno, že zavedení syntetických dat zlepšuje výkonnost modelů při detekci degradace, zejména pokud je poměr syntetických a reálných dat pečlivě řízen. Výsledky ukazují, že optimálního zlepšení přesnosti a skóre F1 je dosaženo, když je poměr syntetických a originálních dat mezi 0,2 a 0,5. Kromě toho jsou zkoumány výhody a omezení různých architektur GAN pro rozšíření datové sady, přičemž zvláštní pozornost je věnována jejich schopnosti vytvářet realistické a různorodé vzorky. GAN; DCGAN; Sémantická segmentace; Degradace
eng Efficient dataset extension using generative networks for assessing degree of coating degradation around scribe A novel methodology for dataset augmentation in the semantic segmentation of coil-coated surface degradation is presented in this study. Deep convolutional generative adversarial networks (DCGAN) are employed to generate synthetic input-target pairs, which closely resemble real-world data, with the goal of expanding an existing dataset. These augmented datasets are used to train two state-of-the-art models, U-net, and DeepLabV3, for the precise detection of degradation areas around scribes. In a series of experiments, it was demonstrated that the introduction of synthetic data improves the models' performance in detecting degradation, especially when the ratio of synthetic to real data is carefully managed. Results indicate that optimal improvements in accuracy and F1-score are achieved when the ratio of synthetic to original data is between 0.2 and 0.5. Moreover, the advantages and limitations of different GAN architectures for dataset expansion are explored, with specific attention to their ability to produce realistic and diverse samples. This work offers a scalable solution to the challenges associated with creating large and diverse annotated datasets for industrial applications of coil coating degradation assessment. The proposed approach provides a significant contribution by improving model generalization and segmentation accuracy while reducing the burden of manual data annotation. These findings have important implications for industries relying on coil coatings, as more efficient and accurate degradation detection methods are enabled. GAN; DCGAN; Coil coating; Semantic segmentation; Degradation