Data Synthesis and Stability-Guided Training for Industrial Visual Inspection with Neural Networks

In dieser Dissertation werden synthetische Bilddaten für die industrielle visuelle Inspektion in Kombination mit Verfeinerungs- und stabilitätsgeführten Trainingsstrategien für Deep-Learning-Modelle untersucht. Die Arbeit adressiert drei eng miteinander verknüpfte Herausforderungen: die begrenzte Verfügbarkeit repräsentativer Defektdaten, den Domänenunterschied zwischen synthetischen und realen Bildern sowie die Schwierigkeit einer zuverlässigen Modellauswahl in validierungsfreien Trainingsszenarien.

Zunächst werden synthetische Datensätze für zwei repräsentative Inspektionsszenarien erzeugt. ... mehrFür Kunststoffgranulat wird eine modellierungsbasierte Rendering-Pipeline entwickelt, um annotierte Bilder unter unterschiedlichen Aufnahmebedingungen zu generieren. Für metallische Bauteile wird promptbasierte Bildgenerierung eingesetzt, um realistische Rissmuster zu synthetisieren. Anschließend erfolgen Ausrichtung und Annotation. Diese Datensätze stellen kontrollierbare Trainingsdaten für Klassifikation, Segmentierung und Anomalieerkennung bereit.

Anschließend wird die Synthetic-to-Real-Verfeinerung untersucht, um die visuelle Übereinstimmung synthetischer Bilder mit realen Inspektionsdaten zu verbessern und gleichzeitig aufgabenrelevante Strukturen zu erhalten. Dazu wird Neural Style Transfer an die betrachteten industriellen Szenarien angepasst und mit GAN-basierten Bildübersetzungsverfahren verglichen. Die Ergebnisse zeigen, dass die Qualität der Verfeinerung nicht nur durch die Fidelity zur realen Domäne bestimmt wird, sondern auch durch die in den verfeinerten Daten erhaltene Varietät, und dass beide Aspekte in Abhängigkeit von der jeweiligen nachgelagerten Aufgabe ausbalanciert werden müssen.

Darüber hinaus wird eine stabilitätsgeführte Early-Stopping-Strategie für encoderbasierte Anomalieerkennungsmodelle entwickelt, die ohne gelabelte Validierungsdaten trainiert werden. Anstatt auf Validierungsleistung oder testdatenbasierte Checkpoint-Auswahl zurückzugreifen, überwacht die vorgeschlagene Methode die zeitliche Konsistenz gelernter Merkmalsrepräsentationen während des Trainings und identifiziert geeignete Checkpoints direkt aus dem Trainingsverlauf.

Die vorgeschlagenen Methoden werden anhand von Klassifikations-, Segmentierungs- und Anomalieerkennungsaufgaben ausgewertet. Die Ergebnisse zeigen, dass verfeinerte synthetische Daten die Leistung nachgelagerter Modelle verbessern können, wenn ihre Einbindung in den Trainingsprozess sorgfältig gesteuert wird. Darüber hinaus zeigt sich, dass die stabilitätsgeführte Checkpoint-Auswahl die Robustheit des Modelltrainings verbessert, insbesondere in Szenarien mit Domänenverschiebung oder ohne verlässliche Validierungsdaten.

Insgesamt zeigt diese Dissertation, dass sich synthetische Datengenerierung, merkmalskonsistente Verfeinerung und stabilitätsbewusstes Training zu einer kohärenten Methodik für die industrielle visuelle Inspektion mit Deep Learning verbinden lassen. Der vorgestellte Ansatz verringert die Abhängigkeit von realen Defektdaten und unterstützt eine zuverlässigere Modellanwendung unter praktischen Randbedingungen.

In this dissertation, synthetic image data for industrial visual inspection are investigated in combination with refinement and stability-guided training strategies for deep learning models. The work addresses three closely related challenges: the limited availability of representative defect data, the domain gap between synthetic and real images, and the difficulty of reliable model selection in validation-free training settings.

First, synthetic datasets are generated for two representative inspection scenarios. For plastic granules, a modeling-based rendering pipeline is developed to create annotated images under different acquisition conditions. ... mehrFor metallic parts, prompt-guided image generation is used to synthesize realistic crack patterns, followed by alignment and annotation. These datasets provide controllable training data for classification, segmentation, and anomaly detection.

Second, synthetic-to-real refinement is investigated in order to improve the visual alignment of synthetic images with real inspection data while preserving task-relevant structures. Neural style transfer is adapted to the considered industrial scenarios and compared with GAN-based image translation methods. The results show that refinement quality is determined not only by fidelity to the real domain but also by the variety retained in the refined data, and that these two aspects must be balanced with respect to the downstream task.

Third, a stability-guided early stopping strategy is developed for encoder-based anomaly detection models trained without labeled validation data. Instead of relying on validation performance or test-based checkpoint selection, the proposed method monitors the temporal consistency of learned feature embeddings during training and identifies suitable checkpoints from the training process itself.

The proposed methods are evaluated across classification, segmentation, and anomaly detection tasks. The results show that refined synthetic data can improve downstream performance when their integration into the training process is carefully controlled. They also show that stability-guided checkpoint selection improves the robustness of model training, particularly in settings with domain shift or without reliable validation data.

Overall, this dissertation demonstrates that synthetic data generation, feature-consistent refinement, and stability-aware training can be combined into a coherent methodology for industrial visual inspection with deep learning. The presented approach reduces the dependence on real defect data and supports more reliable model deployment under practical constraints.