論文の概要: Computer Vision and Normalizing Flow Based Defect Detection

• arxiv url: http://arxiv.org/abs/2012.06737v1
• Date: Sat, 12 Dec 2020 05:38:21 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-10 05:18:42.062446
• Title: Computer Vision and Normalizing Flow Based Defect Detection
• Title（参考訳）: コンピュータビジョンと正規化フローに基づく欠陥検出
• Authors: Zijian Kuang and Xinran Tie
• Abstract要約: 本稿では,オブジェクト検出モデルYOLOとフローベース欠陥検出モデルDifferNetに基づく2段階欠陥検出ネットワークを提案する。 本モデルは,生産ライン監視システムから撮影した実世界のビデオクリップを用いた欠陥検出において,高い堅牢性と性能を有する。 提案モデルでは,単一製品や複数製品の欠陥のない少数のサンプルを学習できる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Surface defect detection is essential and necessary for controlling the qualities of the products during manufacturing. The challenges in this complex task include: 1) collecting defective samples and manually labeling for training is time-consuming; 2) the defects' characteristics are difficult to define as new types of defect can happen all the time; 3) and the real-world product images contain lots of background noise. In this paper, we present a two-stage defect detection network based on the object detection model YOLO, and the normalizing flow-based defect detection model DifferNet. Our model has high robustness and performance on defect detection using real-world video clips taken from a production line monitoring system. The normalizing flow-based anomaly detection model only requires a small number of good samples for training and then perform defect detection on the product images detected by YOLO. The model we invent employs two novel strategies: 1) a two-stage network using YOLO and a normalizing flow-based model to perform product defect detection, 2) multi-scale image transformations are implemented to solve the issue product image cropped by YOLO includes many background noise. Besides, extensive experiments are conducted on a new dataset collected from the real-world factory production line. We demonstrate that our proposed model can learn on a small number of defect-free samples of single or multiple product types. The dataset will also be made public to encourage further studies and research in surface defect detection.
• Abstract（参考訳）: 表面欠陥検出は、製造中の製品の品質を制御するために必要であり、必要である。 この複雑なタスクの課題は,1) 欠陥サンプルの収集とトレーニングのための手動ラベリングに時間を要すること,2) 欠陥の特徴を常に新しいタイプの欠陥が発生すると定義することが難しいこと,3) 現実の製品イメージには多くのバックグラウンドノイズが含まれていること,である。 本稿では,対象検出モデルであるyoloと正規化フローに基づく欠陥検出モデルの違いに基づく2段階の欠陥検出ネットワークを提案する。 本モデルは,生産ライン監視システムから撮影した実世界のビデオクリップを用いた欠陥検出において,高い堅牢性と性能を有する。 正規化フローベース異常検出モデルでは、トレーニング用のサンプルを少数必要とせず、YOLOによって検出された製品画像の欠陥検出を行う。 提案手法では,1)yoloを用いた2段階ネットワークと,製品欠陥検出を行う正規化フローベースモデル,2)yoloでトリミングされた製品画像の課題を解決するために,多段階画像変換が実装されている。 さらに、実世界の工場生産ラインから収集した新しいデータセットに関する広範な実験も行われている。 提案モデルでは,単一製品や複数製品の欠陥のない少数のサンプルを学習できることを実証する。 データセットも公開され、表面欠陥検出のさらなる研究と研究が促進される。

関連論文リスト

• Fine-grained Abnormality Prompt Learning for Zero-shot Anomaly Detection [88.34095233600719]
  FAPromptは、より正確なZSADのためにきめ細かい異常プロンプトを学習するために設計された新しいフレームワークである。 画像レベルおよび画素レベルのZSADタスクにおいて、最先端の手法を少なくとも3%-5%のAUC/APで大幅に上回っている。
  論文  参考訳（メタデータ） (2024-10-14T08:41:31Z)
• Robust Tiny Object Detection in Aerial Images amidst Label Noise [50.257696872021164]
  本研究は,ノイズラベル管理下での微小物体検出の問題に対処する。 本稿では,DN-TOD(Denoising Tiny Object Detector)を提案する。 本手法は,1段と2段の両方のオブジェクト検出パイプラインにシームレスに統合できる。
  論文  参考訳（メタデータ） (2024-01-16T02:14:33Z)
• Self-supervised Feature Adaptation for 3D Industrial Anomaly Detection [59.41026558455904]
  具体的には,大規模ビジュアルデータセット上で事前学習されたモデルを利用した初期のマルチモーダルアプローチについて検討する。 本研究では,アダプタを微調整し,異常検出に向けたタスク指向の表現を学習するためのLSFA法を提案する。
  論文  参考訳（メタデータ） (2024-01-06T07:30:41Z)
• A Novel Strategy for Improving Robustness in Computer Vision Manufacturing Defect Detection [1.3198689566654107]
  高性能製造における視覚的品質検査は、コスト削減と改善された厳密さのために自動化の恩恵を受けることができる。 ディープラーニング技術は、分類やオブジェクト検出といった汎用的なコンピュータビジョンタスクの最先端技術である。 データが反復的であり、そこから学ぶべき欠陥や逸脱のイメージがほとんどないからである。
  論文  参考訳（メタデータ） (2023-05-16T12:51:51Z)
• Few-Shot Defect Image Generation via Defect-Aware Feature Manipulation [19.018561017953957]
  そこで本研究では, 難易度の高いいくつかの症例において, 第一の欠陥画像生成法を提案する。 まず、欠陥のない画像をバックボーンとしてデータ効率の良いStyleGAN2をトレーニングする。 第二に、欠陥を意識した残留ブロックを背骨に取り付け、適切な欠陥マスクを生成することを学習する。
  論文  参考訳（メタデータ） (2023-03-04T11:43:08Z)
• Recognition of Defective Mineral Wool Using Pruned ResNet Models [88.24021148516319]
  我々はミネラルウールのための視覚品質管理システムを開発した。 ウール標本のX線画像が収集され、欠陥および非欠陥サンプルのトレーニングセットが作成された。 我々は98%以上の精度のモデルを得たが、同社の現在の手順と比較すると、20%以上の欠陥製品を認識することができる。
  論文  参考訳（メタデータ） (2022-11-01T13:58:02Z)
• An Outlier Exposure Approach to Improve Visual Anomaly Detection Performance for Mobile Robots [76.36017224414523]
  移動ロボットの視覚異常検出システム構築の問題点を考察する。 標準異常検出モデルは、非異常データのみからなる大規模なデータセットを用いて訓練される。 本研究では,これらのデータを利用してリアルNVP異常検出モデルの性能向上を図る。
  論文  参考訳（メタデータ） (2022-09-20T15:18:13Z)
• Reference-based Defect Detection Network [57.89399576743665]
  最初の問題はテクスチャシフトであり、これはトレーニングされた欠陥検出モデルが目に見えないテクスチャの影響を受けやすいことを意味する。 第2の問題は部分的な視覚的混乱であり、部分的な欠陥ボックスが完全なボックスと視覚的に類似していることを示している。 本稿では,これら2つの問題に対処する参照型欠陥検出ネットワーク(RDDN)を提案する。
  論文  参考訳（メタデータ） (2021-08-10T05:44:23Z)
• Same Same But DifferNet: Semi-Supervised Defect Detection with Normalizing Flows [24.734388664558708]
  畳み込みニューラルネットワークによって抽出された特徴の記述性を利用して、その密度を推定する。 これらの可能性に基づいて、欠陥を示すスコアリング関数を開発する。 本稿では,新しいMVTec ADとMagnetic Tile Defectsデータセットに対する既存のアプローチよりも優れた性能を示す。
  論文  参考訳（メタデータ） (2020-08-28T10:49:28Z)
• Few-Shot Defect Segmentation Leveraging Abundant Normal Training Samples Through Normal Background Regularization and Crop-and-Paste Operation [4.626338154327536]
  産業検査作業では, 欠陥のない画像サンプルが豊富だが, 異常な画像が極めて少ないことが一般的である。 本論文は,正常な(欠陥のない)トレーニングイメージを十分に用いながら,異常な部分しか持たない,難解な少数ショット欠陥分割課題に対処する。 UNetライクなエンコーダ-デコーダ欠陥分割ネットワークのトレーニングに、豊富な欠陥のないイメージを組み込むことにより、2つの効果的な正則化手法を提案する。
  論文  参考訳（メタデータ） (2020-07-18T14:15:42Z)
• Semi-supervised Anomaly Detection using AutoEncoders [0.0]
  異常検出(英: Anomaly detection)とは、通常のデータから際立った異常なインスタンスを見つけるタスクである。 本稿では,異常検出のための畳み込み自動エンコーダアーキテクチャを提案する。 このアプローチは2つのデータセットでテストされ、平均F1スコア0.885を達成しました。
  論文  参考訳（メタデータ） (2020-01-06T23:06:28Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。