Utilizing synthetic data in defect detection in polymer surfaces
Authors
Jensen, Anders Skipper ; Nguyen, Mike Long Heilskov ; Lomborg, Marlene Geer ; Nielsen, Lars Quist Winding
Term
4. term
Education
Publication year
2021
Submitted on
2021-05-28
Pages
95
Abstract
Manufacturing quality control is often manual and inconsistent. This thesis examines whether synthetic data and automatic segmentation can strengthen unsupervised deep-learning methods for detecting defects on polymer surfaces when labeled defect examples are scarce. The approach combines data generation and augmentation, U-Net-based background masking to reduce noise, and a convolutional autoencoder for anomaly detection, evaluated against prior autoencoder baselines. Grayscale images captured from multiple viewpoints are preprocessed with background removal and contrast enhancement, then used in a patch-based training and evaluation pipeline with metrics such as ROC-AUC and F1. Findings indicate that U-Net yields functional masks; synthetic data can enlarge training sets and improve models but require greater similarity to real images; and the autoencoder distinguishes defective from non-defective samples but currently generalizes only within the same view. The work highlights the need for more realistic synthetic data and adaptive anomaly thresholds to achieve robust, view-invariant defect detection.
Kvalitetskontrol i produktion er ofte manuel og kan være inkonsistent. Dette speciale undersøger, om syntetiske data og automatisk segmentering kan styrke usuperviseret dybdelæring til at opdage defekter på polymeroverflader, når der kun findes få mærkede defekteksempler. Tilgangen kombinerer datagenerering og -augmentering, U-Net-baseret baggrundsmaskering for at reducere støj og en konvolutionel autoencoder til anomalidetektering, evalueret i forhold til tidligere autoencoder-benchmarks. Gråtonebilleder optaget fra flere vinkler forbehandles med baggrundsfjernelse og kontrastforstærkning og indgår i en patch-baseret trænings- og evalueringspipeline med mål som ROC-AUC og F1. Resultaterne viser, at U-Net producerer funktionelle masker; syntetiske data kan udvide træningssæt og forbedre modeller, men kræver større lighed med virkelige billeder; og autoencoderen skelner mellem defekte og ikke-defekte prøver, men generaliserer aktuelt kun inden for samme synsvinkel. Arbejdet peger på behovet for mere realistiske syntetiske data og adaptive anomalitets-tærskler for at opnå robust, vinkel-invariant defektdetektering.
[This apstract has been generated with the help of AI directly from the project full text]