20.500.12556/RUL-172543 Generating positive training images for supervised multi-class surface anomaly detection Generiranje pozitivnih učnih slik za nadzorovano večrazredno detekcijo površinskih anomalij This thesis tackles the problem of limited defective samples in industrial surface anomaly detection and classification, by leveraging generative artificial intelligence for creating synthetic data. Manufacturing processes typically produce few faulty items, creating significant obstacles for conventional machine learning methods like supervised learning, that require substantial amounts of labeled training data to build effective detection and classification systems. We explore the use of the FLUX.1 Kontext diffusion model to generate synthetic yet realistic surface anomalies on industrial product images, specifically applied to the MVTec Hazelnut dataset. Our approach develops a comprehensive pipeline that produces both anomalous images and corresponding segmentation masks, enabling effective training of anomaly detection and anomaly classification models. Through systematic evaluation using established methodologies, we compare models trained with synthetic data augmentation against baseline model trained solely on original data. Results demonstrate improvements in anomaly detection, localization and classification capabilities, showing that generative models can effectively address the fundamental challenge of limited defective samples in industrial quality control. Diplomsko delo obravnava problem omejenega števila primerov z napakami pri detekciji in klasifikaciji anomalij na površinah z izkoriščanjem generativne umetne inteligence za ustvarjanje sintetičnih podatkov. Proizvodni procesi običajno proizvajajo le malo pokvarjenih izdelkov, kar predstavlja veliko oviro za konvencionalne metode strojnega učenja, kot je nadzorovano učenje, ki za vzpostavitev učinkovitih sistemov potrebujejo velike količine označenih podatkov za učenje. Raziskujemo uporabo difuzijskega modela FLUX.1 Kontext za generiranje množice sintetičnih, a realističnih anomalij na površinah industrijskih izdelkov. Razvili smo celovit proces, ki proizvaja anomalne slike in ustrezne segmentacijske maske, kar omogoča učinkovito učenje modelov za detekcijo in klasifikacijo anomalij. S sistematičnim vrednotenjem z uporabo uveljavljenih metodologij primerjamo modele, naučene z upoštevanjem sintetičnih podatkov, v primerjavi z osnovnim modelom, ki je bil naučen izključno na podlagi izvirnih slik. Rezultati kažejo izboljšave pri detekciji, lokalizaciji in klasifikaciji anomalij kar dokazuje, da lahko generativni modeli učinkovito rešujejo temeljni izziv omejenega števila primerov z napakami v industrijskem nadzoru kakovosti. anomaly detection anomaly classification generative AI FLUX.1 Kontext MVTec detekcija anomalij klasifikacijo anomalij generativna UI FLUX.1 Kontext MVTec true false false Angleški jezik Slovenski jezik Diplomsko delo/naloga 2025-09-08 12:35:10 2025-09-08 12:35:15 2025-10-15 03:54:05 0000-00-00 00:00:00 2025 0 0 0000-00-00 NiDoloceno NiDoloceno NiDoloceno 0000-00-00 0000-00-00 0000-00-00 38364 248909315 Spasev_Naum_-_Generiranje_pozitivnih_ucnih_slik_za_nadzorovano_vecrazredno_detekcijo_povrsinskih.pdf Spasev_Naum_-_Generiranje_pozitivnih_ucnih_slik_za_nadzorovano_vecrazredno_detekcijo_povrsinskih.pdf 1 9940C80D7BFEA67EDDB62DA3B63C8DD8 b70c48302d2ca0ca3ce949c82ae3ed9b0e1f38a40df3dac5976e192aa920eae3 59a3d6fd-8c9f-11f0-9328-0050569b8976 https://repozitorij.uni-lj.si/Dokument.php?lang=slv&id=216375 Fakulteta za računalništvo in informatiko 0 0 0