Images augmentation method based on texture modelling and Artificial Intelligence

Abstract

Defect detection and quality control systems rely on extensive datasets of defect and defect-free samples for training. However, acquiring diverse, high-quality images of defective products is often impractical due to manufacturing constraints, cost, and rarity of specific defect types. This work introduces a novel defect augmentation method that enhances dataset diversity by synthetically generating realistic defects and seamlessly integrating them into defect-free background images. Unlike traditional approaches that augment entire images, the proposed method isolates defects and blends them into new backgrounds while maintaining contextual consistency. Our approach leverages a generator-discriminator framework, iteratively refining defect synthesis to ensure that generated anomalies retain the characteristics of real-world defects. A key advantage of the proposed method is its efficiency in inference time. Unlike existing techniques that require full image blending during both training and inference, our model operates on a lightweight 2D binary map representing the spatial relationships of defects. This significantly reduces computational overhead, making our approach faster and more scalable. Experiments on industrial datasets demonstrate that the proposed method produces visually realistic defects, maintains high consistency with manufacturing defect distributions, and enhances defect detection model performance. By providing an efficient and scalable defect augmentation solution, this work contributes to improved generalization and robustness of AI-based quality control systems

Systémy detekce vad a kontroly kvality se při trénování spoléhají na rozsáhlé datové sady obsahující jak vadné, tak bezvadné vzorky. Získání různorodých a kvalitních snímků vadných produktů je však často nepraktické kvůli omezením ve výrobě, vysokým nákladům a vzácnosti některých typů vad. Tato práce představuje novou metodu augmentace vad, která zvyšuje rozmanitost datové sady syntetickým generováním realistických vad a jejich plynulou integrací do bezvadných snímků pozadí. Na rozdíl od tradičních přístupů, které upravují celé snímky, navrhovaná metoda izoluje vady a vkládá je do nových pozadí při zachování kontextové konzistence. Náš přístup využívá generativně-diskriminační framework, který iterativně zdokonaluje syntézu vad tak, aby generované anomálie věrně odpovídaly skutečným vadám. Klíčovou výhodou naší metody je efektivita během inferenční fáze. Na rozdíl od existujících technik, které vyžadují kompletní spojení obrazu jak během trénování, tak při inferenci, náš model pracuje s lehkou 2D binární mapou reprezentující prostorové vztahy vad. Tím se výrazně snižuje výpočetní náročnost, což činí náš přístup rychlejším a lépe škálovatelným. Experimenty na průmyslových datových sadách ukazují, že naše metoda vytváří vizuálně realistické vady, zachovává vysokou shodu s rozložením skutečných výrobních vad a zlepšuje výkon modelů pro detekci vad. Poskytnutím efektivního a škálovatelného řešení pro augmentaci vad tato práce přispívá k lepší generalizaci a robustnosti systémů kontroly kvality založených na umělé inteligenci.