論文の概要: A Survey of Surface Defect Detection of Industrial Products Based on A
Small Number of Labeled Data
- arxiv url: http://arxiv.org/abs/2203.05733v1
- Date: Fri, 11 Mar 2022 03:08:23 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-14 19:35:01.932956
- Title: A Survey of Surface Defect Detection of Industrial Products Based on A
Small Number of Labeled Data
- Title（参考訳）: 少量のラベルデータに基づく工業製品の表面欠陥検出に関する調査
- Authors: Qifan Jin (1), Li Chen (1 and 2) ((1) College of Computer and
Artificial Intelligence, Zhengzhou University, (2) Institute of Physical
Education (Main Campus), Zhengzhou University)
- Abstract要約: 本稿では,少数のラベル付きデータに基づく工業製品の表面欠陥検出手法について概説する。
従来の画像処理に基づく産業製品表面欠陥検出法は, 統計的方法, スペクトル法, モデル法に分けられる。
少量のラベル付きデータに適した深層学習に基づく産業製品表面欠陥検出法は、データ拡張に基づいて、トランスファーラーニング、モデルベースファインチューニング、半教師付き、弱教師なし、および教師なしに基づいて分割される。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The surface defect detection method based on visual perception has been
widely used in industrial quality inspection. Because defect data are not easy
to obtain and the annotation of a large number of defect data will waste a lot
of manpower and material resources. Therefore, this paper reviews the methods
of surface defect detection of industrial products based on a small number of
labeled data, and this method is divided into traditional image
processing-based industrial product surface defect detection methods and deep
learning-based industrial product surface defect detection methods suitable for
a small number of labeled data. The traditional image processing-based
industrial product surface defect detection methods are divided into
statistical methods, spectral methods and model methods. Deep learning-based
industrial product surface defect detection methods suitable for a small number
of labeled data are divided into based on data augmentation, based on transfer
learning, model-based fine-tuning, semi-supervised, weak supervised and
unsupervised.
- Abstract（参考訳）: 視覚的知覚に基づく表面欠陥検出法は,産業品質検査に広く用いられている。
欠陥データは容易に取得できないので、大量の欠陥データのアノテーションは、多くの人的資源と材料資源を無駄にします。
そこで本研究では,少数のラベル付きデータに基づいて,産業製品の表面欠陥検出手法をレビューし,従来の画像処理に基づく産業製品表面欠陥検出方法と,少数のラベル付きデータに適した深層学習に基づく産業製品表面欠陥検出方法に分割する。
従来の画像処理に基づく産業製品表面欠陥検出法は, 統計的方法, スペクトル法, モデル法に分けられる。
少数のラベル付きデータに適したディープラーニングに基づく工業製品表面欠陥検出手法を、転送学習、モデルに基づく微調整、半教師付き、弱教師付き、非教師付きに基づいてデータ拡張に基づいて分割する。
関連論文リスト
- Texture-AD: An Anomaly Detection Dataset and Benchmark for Real Algorithm Development [8.290951816115887]
代表的なテクスチャに基づく異常検出に基づくTexture-ADベンチマークを提案する。
このデータセットには、15の異なる布、14の半導体ウェハ、10の金属板の画像が含まれている。
私たちの知る限り、Texture-ADは、産業的欠陥検出アルゴリズムを実世界で評価するための最初のデータセットです。
論文 参考訳（メタデータ） (2024-09-10T09:44:38Z) - Unlearnable Examples Detection via Iterative Filtering [84.59070204221366]
ディープニューラルネットワークは、データ中毒攻撃に弱いことが証明されている。
混合データセットから有毒なサンプルを検出することは極めて有益であり、困難である。
UE識別のための反復フィルタリング手法を提案する。
論文 参考訳（メタデータ） (2024-08-15T13:26:13Z) - Unsupervised Anomaly Detection Using Diffusion Trend Analysis [48.19821513256158]
本稿では, 劣化度に応じて, 復元傾向の分析により異常を検出する手法を提案する。
提案手法は,産業用異常検出のためのオープンデータセット上で検証される。
論文 参考訳（メタデータ） (2024-07-12T01:50:07Z) - DDPM-MoCo: Advancing Industrial Surface Defect Generation and Detection with Generative and Contrastive Learning [3.789219860006095]
これらの問題に対処するためにDDPM-MoCoという新しい欠陥発生手法を提案する。
まず,Denoising Diffusion Probabilistic Model (DDPM) を用いて,高品質な欠陥データサンプルを生成する。
第2に、教師なし学習モメンタムコントラストモデル(MoCo)と拡張バッチコントラスト損失関数を用いて、ラベルなしデータ上でモデルをトレーニングする。
論文 参考訳（メタデータ） (2024-05-09T17:17:53Z) - CSE: Surface Anomaly Detection with Contrastively Selected Embedding [4.287890602840307]
本稿では,目標固有埋め込みに着目した新しい手法を導入することにより,事前学習した特徴に基づくアプローチを再検討する。
テクスチャの最も顕著な特徴を考察するために, 人工的に生成された欠陥サンプルと異常のないサンプルの両方を組み込んだ, コントラスト訓練法を応用した。
論文 参考訳（メタデータ） (2024-03-04T09:15:55Z) - 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) - Deep Learning based pipeline for anomaly detection and quality
enhancement in industrial binder jetting processes [68.8204255655161]
異常検出は、通常の値空間とは異なる異常状態、インスタンス、あるいはデータポイントを検出する方法を記述する。
本稿では,産業生産における人工知能へのデータ中心のアプローチに寄与する。
論文 参考訳（メタデータ） (2022-09-21T08:14:34Z) - Few-shot incremental learning in the context of solar cell quality
inspection [0.0]
本研究では,太陽電池品質検査における重量印字技術について検討した。
その結果、この手法により、少数のサンプルで欠陥クラスに関する知識をネットワークが拡張できることが判明した。
論文 参考訳（メタデータ） (2022-07-01T23:52:07Z) - Fake It Till You Make It: Near-Distribution Novelty Detection by
Score-Based Generative Models [54.182955830194445]
既存のモデルは、いわゆる"近く分布"設定で失敗するか、劇的な低下に直面します。
本稿では, スコアに基づく生成モデルを用いて, 合成近分布異常データを生成することを提案する。
本手法は,9つのノベルティ検出ベンチマークにおいて,近分布ノベルティ検出を6%改善し,最先端のノベルティ検出を1%から5%パスする。
論文 参考訳（メタデータ） (2022-05-28T02:02:53Z) - 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) - Distance-Based Anomaly Detection for Industrial Surfaces Using Triplet
Networks [2.7173993697663086]
表面異常検出はスクラップ生産を減らすために多くの製造業において重要な品質管理の役割を担っている。
ディープラーニング畳み込みニューラルネットワーク(CNN)は、これらの画像処理ベースのソリューションの最前線にある。
本稿では,この課題に対して,距離に基づく異常検出を目標とした表面テクスチャパッチ上でCNNをトレーニングすることで対処する。
論文 参考訳（メタデータ） (2020-11-09T00:35:21Z)
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。