面向钢铁加工边界框检测的框安全领域感知TrivialAugment实用适配方法

《IEEE Access》：Domain-Constrained Augmentation for Industrial Bounding Box Detection Under Limited Data Conditions

　　摘要：在钢铁加工行业中，基于机器视觉的边界框检测追踪面临着与普通缺陷检测任务不同的独特挑战。这些挑战包括高度可变的光照条件、标注数据集较小，以及为确保安全和运营可靠性而必须具备高度可靠的实时系统性能。尽管机器视觉领域存在多种先进的数据增强方法，但其复杂性、敏感性和实际部署问题限制了其在工业中的应用。本研究通过引入框安全、领域感知的空间变换，并在实际部署约束下系统评估增强幅度限制，为工业边界框检测提供了 TrivialAugment 的实用化适配方案。评估使用了三个公开发布的真实世界数据集，这些数据集来自长期钢铁生产部署，涵盖不同的生产工艺、图像特性、预处理流程和对象分布。我们强调实用性和对极端光照变化的鲁棒性，为数据有限且背景主要静态的实际工作者提供了基于经验的指导。与不进行增强的训练相比，保守型 TrivialAugment 在交并比阈值从 0.5 到 0.95 时，分别使三个评估数据集的平均精度均值提升了 176%、56% 和 64%，在实现复杂性有限的情况下展现了显著的性能提升。