Qualquer aplicação industrial que utilize redes neurais convolucionais (CNNs) requer dados iniciais e recursos para treinar os modelos. No entanto, a seleção dos modelos deve ser apropriada à qualidade e quantidade dos dados disponíveis e aos recursos computacionais. Este estudo analisa a influência da quantidade e qualidade dos dados no desempenho dos modelos de CNN de diferentes complexidades. Técnicas de pré-processamento de imagem e aumento de dados de transformação de imagem são aplicadas para gerar diferentes quantidades de dados sintéticos com os quais treinar os modelos mencionados, esclarecendo a seguinte questão: a qualidade e a quantidade dos dados ou a profundidade do modelo têm mais influência? Diferentes experimentos são realizados usando o Banco de Dados de Defeitos Superficiais em Aço da Northeastern University (NEU), que contém defeitos superficiais encontrados no aço laminação a quente. Após analisar os resultados, os autores concluem que a qualidade e a quantidade dos dados têm uma influência muito maior do que a escolha do modelo. Como os recursos e o tempo são frequentemente limitados na indústria e o objetivo final é maximizar o lucro aumentando a eficiência, os autores incentivam os pesquisadores a considerar cuidadosamente a aplicação industrial em questão e analisar os dados e recursos disponíveis antes de selecionar os modelos de CNN.
Rosa et al. (Sex,) estudaram esta questão.