자동화된 시각 검사를 위한 이미지 증강 기술

다양한 기법을 통해 이미지 분류를 위한 AVI 신경망과 같은 자동화된 시각 검사(Automated Visual Inspection; AVI) 모델을 학습 및/또는 검증하는 데 사용할 수 있는 이미지 라이브러리를 용이하게 개발할 수 있다. 일 양태에서, 산술 전치 알고리즘을 사용하여 픽셀 수준의 사실감으로 특징(예컨대, 결함)을 원본 이미지에 전치함으로써 원본 이미지로부터 합성 이미지를 생성한다. 다른 양태에서, 디지털 인페인팅 기법을 사용하여 원본 이미지로부터 사실적인 합성 이미지를 생성한다. 딥 러닝 기반 인페인팅 기법은 결함 또는 기타 묘사된 특징을 추가, 제거 및/또는 수정하는 데 사용될 수 있다. 또 다른 양태에서, AVI 모델의 학습 및/또는 검증을 위한 이미지 라이브러리의 적합성을 평가하고, 및/또는 개별 이미지가 그러한 라이브러리에 포함되기에 적합한지 여부를 평가하기 위해 품질 관리 기법이 사용된다. Various techniques facilitate the development of an image library that can be used to train and/or validate an automated visual inspection (AVI) model, such an AVI neural network for image classification. In one aspect, an arithmetic transposition algorithm is used to generate synthetic images from original images by transposing features (e.g., defects) onto the original images, with pixel-level realism. In other aspects, digital inpainting techniques are used to generate realistic synthetic images from original images. Deep learning-based inpainting techniques may be used to add, remove, and/or modify defects or other depicted features. In still other aspects, quality control techniques are used to assess the suitability of image libraries for training and/or validation of AVI models, and/or to assess whether individual images are suitable for inclusion in such libraries.