Data Synthesis and Stability-Guided Training for Industrial Visual Inspection with Neural Networks
Year: 2026
Type: book
Abstract: In dieser Dissertation werden synthetische Bilddaten für die industrielle visuelle Inspektion in Kombination mit Verfeinerungs- und stabilitätsgeführten Trainingsstrategien für Deep-Learning-Modelle untersucht. Die Arbeit adressiert drei eng miteinander verknüpfte Herausforderungen: die begrenzte Verfügbarkeit repräsentativer Defektdaten, den Domänenunterschied zwischen synthetischen und realen Bildern sowie die Schwierigkeit einer zuverlässigen Modellauswahl in validierungsfreien Trainingsszenarien. Zunächst werden synthetische Datensätze für zwei repräsentative Inspektionsszenarien erzeugt. Für Kunststoffgranulat wird eine modellierungsbasierte Rendering-Pipeline entwickelt, um annotierte Bilder unter unterschiedlichen Aufnahmebedingungen zu generieren. Für metallische Bauteile wird promptbasierte Bildgenerierung eingesetzt, um realistische Rissmuster zu synthetisieren. Anschließend erfolgen Ausrichtung und Annotation. Diese Datensätze stellen kontrollierbare Trainingsdaten für Klassifikation, Segmentierung und Anomalieerkennung bereit. Anschließend wird die Synthetic-to-Real-Verfeinerung untersucht, um die visuelle Übereinstimmung synthetischer Bilder mit realen Inspektionsdaten zu verbessern und gleichzeitig aufgabenrelevante Strukturen zu erhalten. Dazu wird Neural Style Transfer an die betrachteten industriellen Szenarien angepasst und mit GAN-basierten Bildübersetzungsverfahren verglichen. Die Ergebnisse zeigen, dass die Qualität der Verfeinerung nicht nur durch die Fidelity zur realen Domäne bestimmt wird, sondern auch durch die in den verfeinerten Daten erhaltene Varietät, und dass beide Aspekte in Abhängigkeit von der jeweiligen nachgelagerten Aufgabe ausbalanciert werden müssen. Darüber hinaus wird eine stabilitätsgeführte Early-Stopping-Strategie für encoderbasierte Anomalieerkennungsmodelle entwickelt, die ohne gelabelte Validierungsdaten trainiert werden. Anstatt auf Validierungsleistung oder testdatenbasierte Checkpoint-Auswahl zurückzugreifen, überwacht die vorgeschlagene Methode die zeitliche Konsistenz gelernter Merkmalsrepräsentationen während des Trainings und identifiziert geeignete Checkpoints direkt aus dem Trainingsverlauf. Die vorgeschlagenen Methoden werden anhand von Klassifikations-, Segmentierungs- und Anomalieerkennungsaufgaben ausgewertet. Die Ergebnisse zeigen, dass verfeinerte synthetische Daten die Leistung nachgelagerter Modelle verbessern können, wenn ihre Einbindung in den Trainingsprozess sorgfältig gesteuert wird. Darüber hinaus zeigt sich, dass die stabilitätsgeführte Checkpoint-Auswahl die Robustheit des Modelltrainings verbessert, insbesondere in Szenarien mit Domänenverschiebung oder ohne verlässliche Validierungsdaten. Insgesamt zeigt diese Dissertation, dass sich synthetische Datengenerierung, merkmalskonsistente Verfeinerung und stabilitätsbewusstes Training zu einer kohärenten Methodik für die industrielle visuelle Inspektion mit Deep Learning verbinden lassen. Der vorgestellte Ansatz verringert die Abhängigkeit von realen Defektdaten und unterstützt eine zuverlässigere Modellanwendung unter praktischen Randbedingungen.
Source: KITopen
Author: Jin, Muen
Language: English
Subfield: Industrial and Manufacturing Engineering
Field: Engineering
Domain: Physical Sciences
Open Access status: green
OpenAlex ID: W7223036359