采风全网
达观天下

车间里凑不齐的次品照片,和那批造出来的合成数据

产线的良率一旦上去,质检团队就会遇到一个尴尬的处境:合格的样本要多少有多少,真正的次品一个月也攒不下几十件,而且每一件的形态都不一样。有人蹲了两个月,拍回来的照片只够装满一个不大的文件夹。

模型不管这些。它看到的坏样本太少,学到的边界就很模糊,遇到没见过的划痕角度便开始犹豫。这时候,合成数据被提上台面——不是因为它时髦,而是因为真实的坏样本,物理上就难以凑齐。

缺的往往不是数量

很多人以为数据不够就是数量不够,多拍就行。实际卡住的地方通常更具体:某类缺陷只在特定温湿度下出现,一年赶上两次;某台设备的关键部件拆开才能拍,拆一次停机半天;还有一些场景涉及授权和隐私,图像能看不能用。这些情况下,采集的天花板不在预算,而在物理条件。

合成数据能做的,是把这些难以复现的条件参数化。用三维渲染改光照和材质,用物理仿真跑不同姿态,用生成模型补足纹理细节。听起来像是在造图,实际做的是另一件事:把「什么样的情况下模型会错」这个模糊的问题,变成一组可以逐个拨动的旋钮。

难点在造得刁钻

批量生成十万张图并不难,难的是让这十万张图落在模型真正会犯错的地方。全部干净、均匀、光照完美的缺陷样本,训练出来的模型一遇到真实车间里模糊、反光诡异的照片就容易失灵。所以生成流程里通常要有一道筛选,先让现有模型去跑,挑出它置信度低或者判错的那些,再针对性地产出相似但更难的样本。

  • 缺陷的形态要覆盖,不只是常见的几种,也包括组合出现的少数情况;
  • 成像条件要扰动,焦距、曝光、角度、遮挡,都要跟着变;
  • 背景要混杂,真实车间里没有纯色的背景板。

这套做法有个隐含前提:团队得先知道自己模型弱在哪。如果连错误分布都没摸清,生成出来的东西大概率只是在重复已知。

成本转移到了验证

合成数据省下的是采集时间,花掉的是验证精力。造出来的图能不能用,不能靠肉眼看着像,得靠一批从未参与训练的真实样本去检验。这里有个容易被忽略的陷阱:如果评估集也掺了合成数据,就等于自己出题自己答,指标好看但没有意义。

另一个现实是分布差异。渲染出来的划痕边缘过于锐利,仿真里的反光缺少真实的脏污,这些细节偏差会让模型在真实产线上表现打折。缓解的办法通常是混合训练,真假样本按比例掺着用,并且把真实数据留给收尾那道验证。

它不该用来遮丑

我更愿意把合成数据看成一笔预算的重新分配,而不是一劳永逸的替代。它适合那些真实数据物理上难获取、或者获取代价明显不合理的场景,比如罕见故障的组合、极端姿态、涉及授权的图像。它不适合的情况也很清楚:数据其实就在手边,只是没人愿意整理和标注。

回到那条产线。那批造出来的图片确实让模型在几类缺陷上稳了一些,但团队后来还是加了第二个工位的相机。原因很朴素——有一类缺陷的反光,只有在那样的角度下才出现,而他们造不出自己没见过的东西。合成数据能扩展想象的边界,却替代不了第一次亲眼看见。

免责声明:市场有风险,选择需谨慎!此文仅供参考,不作买卖依据。如有侵权请联系删除。
文章名称:车间里凑不齐的次品照片,和那批造出来的合成数据
文章链接:https://tech.cfdanews.com/ai/1761.html