​ 

　　近日，镭目智眸团队在钢铁视觉领域取得重大突破，成功将AIGC技术应用于提升稀缺样本异常场景检测水平，该技术显著提升了铸坯缺陷，废钢内危险物及拒收件等稀缺数据的采集速度，从而突破了异常情况数据集稀少的瓶颈，极大地提升了异常场景的识别和检测能力！

　　在钢铁生产中，对异常状况的精准识别是确保生产流程顺畅和产品品质稳定的关键因素。镭目智眸算法团队结合用户需求及落地项目实施细节，针对废钢原料监控及铸坯质量管控环节的异常情况做了深入研究，发现以下问题：废钢中的危险物和拒收件等异常对生产安全及产品品质构成严重威胁，然而这些异常样本的稀缺性使得识别效果受限。同时，铸坯表面的微小缺陷也由于样本稀少而难以准确检测。

　　为了攻克这些难题，镭目智眸团队创新性地提出了一种新的缺陷区域和强度可控的缺陷及危险物图像生成技术。该技术基于现有AIGC相关领域技术，选取GAN网络作为基础进行长期研发，形成了独创的ReM-GAN模型。该模型通过Mask权重计算，使网络能够专注于特定区域的像素，从而提高模型对这些区域的性能和准确性。同时，该模型融合了全局与局部的处理能力，既能把握图像的整体结构，又能捕捉到细节特征，展现了极高的灵活性和性能。

　　△ 缺陷及危险物生成效果图

　　镭目智眸团队成功地将AIGC技术应用于稀缺样本异常检测，并根据钢铁行业的实际需求进行了深度优化。如今，该技术能够根据现有的铸坯缺陷和危险物样本，高效地生成大量高质量的新图片，这一技术的应用极大扩充了小概率样本的数据量，显著提升了相关数据采集的速度，为稀缺样本异常检测高效助力。（田祖光）