在钢铁生产中，对异常状况的精准识别是确保生产流程顺畅和产品品质稳定的关键因素。镭目智眸算法团队结合用户需求及落地项目实施细节，针对废钢原料监控及铸坯质量管控环节的异常情况做了深入研究，发现以下问题：废钢中的危险物和拒收件等异常对生产安全及产品品质构成严重威胁，然而这些异常样本的稀缺性使得识别效果受限。同时，铸坯表面的微小缺陷也由于样本稀少而难以准确检测。

为了攻克这些难题，镭目智眸团队创新性地提出了一种新的缺陷区域和强度可控的缺陷及危险物图像生成技术。该技术基于现有AIGC相关领域技术，选取GAN网络作为基础进行长期研发，形成了独创的ReM-GAN模型。该模型通过Mask权重计算，使网络能够专注于特定区域的像素，从而提高模型对这些区域的性能和准确性。同时，该模型融合了全局与局部的处理能力，既能把握图像的整体结构，又能捕捉到细节特征，展现了极高的灵活性和性能。

△ 缺陷及危险物生成效果图