增强玻璃缺陷检测的扩散模型方法：解决制造业质量控制中的数据集不平衡问题

工业玻璃制造中的视觉缺陷检测仍然是一个关键挑战，由于缺陷产品出现频率低，导致数据集不平衡，限制了深度学习模型和计算机视觉系统的性能。本文提出了一种使用去噪扩散概率模型（DDPMs）的新方法，通过生成合成缺陷玻璃产品图像进行数据增强，有效解决了制造业质量控制和自动化视觉检测中的类别不平衡问题。

该方法通过增加少数类样本的代表性，显著提升了标准CNN架构（包括ResNet50V2、EfficientNetB0和MobileNetV2）在异常检测中的图像分类性能。实验结果表明，在所有测试的深度神经网络架构中，关键机器学习指标均有显著提升，特别是在缺陷样本的召回率方面，同时在验证集上保持了完美的精确度。

最显著的改进体现在ResNet50V2的整体分类准确率上，使用增强数据训练后，准确率从78%提升至93%。这项工作为玻璃制造中的自动化缺陷检测提供了一种可扩展、经济高效的方法，该方法有望扩展到其他工业质量保证系统和面临类似类别不平衡挑战的行业。

注释：本文已发表在《计算机与决策制定-国际期刊》（COMDEM），共12页，包含7个图表。