32‐1: Mejora de la generación de imágenes de defectos en la placa trasera QD utilizando enmascaramiento automático en modelos de difusión

La moderna línea de producción de placas traseras QD utiliza un clasificador de defectos basado en aprendizaje profundo, que emplea imágenes de placas traseras, para el sistema de reparación automática. Sin embargo, un desafío clave en esta aplicación es la falta de imágenes de defectos disponibles para entrenamiento cuando se introduce un nuevo producto. Para abordar este problema, se han utilizado modelos generativos como GAN para generar imágenes de defectos para nuevos productos, pero la calidad y diversidad de las imágenes no son óptimas debido a un entrenamiento inestable y al colapso de modo. En este documento, se aplica el modelo de difusión más reciente para la generación de imágenes de defectos. Se entrena tanto con imágenes normales (sin defectos) como con imágenes de defectos del nuevo Producto A y del Producto B existente. Esto permite que el modelo aprenda de los defectos del Producto B y genere imágenes sintéticas de defectos del Producto A a partir de imágenes normales. Utilizando un método innovador para aplicar automáticamente máscaras en el muestreo de difusión, se demuestra que las imágenes sintéticas generadas logran una alta calidad de imagen y buena diversidad de defectos, al tiempo que preservan la fidelidad de la imagen fuera de la región defectuosa en comparación con la imagen normal de entrada. También se realizan experimentos para entrenar clasificadores con imágenes de defectos generadas a partir de diferentes métodos de muestreo. El método de enmascaramiento automático propuesto supera a otros métodos de muestreo en los experimentos.