論文の概要: One-Class Model for Fabric Defect Detection

• arxiv url: http://arxiv.org/abs/2204.09648v1
• Date: Wed, 20 Apr 2022 17:46:30 GMT
• ステータス: 処理完了
• システム内更新日: 2022-04-21 14:42:57.199203
• Title: One-Class Model for Fabric Defect Detection
• Title（参考訳）: ファブリック欠陥検出のためのワンクラスモデル
• Authors: Hao Zhou, Yixin Chen, David Troendle, Byunghyun Jang
• Abstract要約: ファブリックの種類によって異なる欠陥を検知できる新しい一級モデルを提案する。 我々のモデルは、よく設計されたGaborフィルタバンクを利用して、布質のテクスチャを解析する。 次に、高度なディープラーニングアルゴリズムであるオートエンコーダを利用して、Gaborフィルタバンクの出力から一般的な特徴表現を学習する。
• 参考スコア（独自算出の注目度）: 33.70399882454028
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: An automated and accurate fabric defect inspection system is in high demand as a replacement for slow, inconsistent, error-prone, and expensive human operators in the textile industry. Previous efforts focused on certain types of fabrics or defects, which is not an ideal solution. In this paper, we propose a novel one-class model that is capable of detecting various defects on different fabric types. Our model takes advantage of a well-designed Gabor filter bank to analyze fabric texture. We then leverage an advanced deep learning algorithm, autoencoder, to learn general feature representations from the outputs of the Gabor filter bank. Lastly, we develop a nearest neighbor density estimator to locate potential defects and draw them on the fabric images. We demonstrate the effectiveness and robustness of the proposed model by testing it on various types of fabrics such as plain, patterned, and rotated fabrics. Our model also achieves a true positive rate (a.k.a recall) value of 0.895 with no false alarms on our dataset based upon the Standard Fabric Defect Glossary.
• Abstract（参考訳）: 自動的かつ高精度な織物欠陥検査システムは、繊維産業における遅く、一貫性がなく、エラーを起こしやすく、高価な人間オペレーターの代替として需要が高い。 以前の取り組みでは、特定の種類のファブリックや欠陥に焦点を当てていたが、これは理想的な解決策ではない。 本稿では,布地の種類によって異なる欠陥を検知できる新しい1クラスモデルを提案する。 本モデルでは,よく設計されたgaborフィルタバンクを用いてテクスチャ解析を行う。 次に,高度なディープラーニングアルゴリズムであるautoencoderを用いてgaborフィルタバンクの出力から一般特徴表現を学習する。 最後に, 潜在的な欠陥を特定し, ファブリック画像上に描画する近傍密度推定器を開発した。 提案モデルの有効性と頑健性を, 平地, 模様地, 回転布などの各種布地で検証し, 実証実験を行った。 また,本モデルでは,標準ファブリック欠陥グラフに基づくデータセットに誤報はなく,0.895の正の値(リコール)も達成している。

関連論文リスト

• Source-Free Test-Time Adaptation For Online Surface-Defect Detection [29.69030283193086]
  テスト時間適応型表面欠陥検出手法を提案する。 推論中にトレーニング済みのモデルを新しいドメインやクラスに適応させる。 実験では、最先端の技術よりも優れています。
  論文  参考訳（メタデータ） (2024-08-18T14:24:05Z)
• Textile Anomaly Detection: Evaluation of the State-of-the-Art for Automated Quality Inspection of Carpet [0.0]
  羊毛カーペットの自動検査を目的として,最先端の教師なし検出モデルを評価した。 4種類の独自のカーペットテクスチャのカスタムデータセットが作成され、モデルを徹底的にテストした。 本研究の重要度は,異常領域の検出精度,誤検出回数,実時間における各モデルの推測時間である。
  論文  参考訳（メタデータ） (2024-07-26T01:13:59Z)
• ImageNet-D: Benchmarking Neural Network Robustness on Diffusion Synthetic Object [78.58860252442045]
  我々は、深層モデルの堅牢性をベンチマークするハードイメージのためのデータソースとして、生成モデルを紹介した。 このベンチマークを ImageNet-D と呼ぶ以前の作業よりも、背景、テクスチャ、材料が多様化したイメージを生成することができます。 我々の研究は、拡散モデルが視覚モデルをテストするのに効果的な情報源となることを示唆している。
  論文  参考訳（メタデータ） (2024-03-27T17:23:39Z)
• Distillation-based fabric anomaly detection [4.287890602840307]
  非教師なしテクスチャ異常検出は、多くの産業プロセスにおいて問題となっている。 本稿では, ファブリック欠陥検出のための新しい逆蒸留法を提案する。 当社のアプローチには,高レベルの機能を戦略的に強調する,巧妙な設計選択が伴います。
  論文  参考訳（メタデータ） (2024-01-04T14:10:38Z)
• Small Effect Sizes in Malware Detection? Make Harder Train/Test Splits! [51.668411293817464]
  業界関係者は、モデルが数億台のマシンにデプロイされているため、マルウェア検出精度の小さな改善に気を配っている。 学術研究はしばしば1万のサンプルの順序で公開データセットに制限される。 利用可能なサンプルのプールから難易度ベンチマークを生成するためのアプローチを考案する。
  論文  参考訳（メタデータ） (2023-12-25T21:25:55Z)
• SCL-VI: Self-supervised Context Learning for Visual Inspection of Industrial Defects [4.487908181569429]
  本稿では,有名なジグソーパズルに取り組むことで,最適なエンコーダを導出する自己教師型学習アルゴリズムを提案する。 提案手法では, 対象画像を9つのパッチに分割し, エンコーダに2つのパッチ間の相対的な位置関係を予測して, リッチなセマンティクスを抽出する。
  論文  参考訳（メタデータ） (2023-11-11T08:01:40Z)
• Defect Spectrum: A Granular Look of Large-Scale Defect Datasets with Rich Semantics [27.03052142039447]
  Defect Spectrumは、広範囲の産業的欠陥に対して、正確でセマンティックな、そして大規模なアノテーションを提供する包括的なベンチマークである。 4つの重要な産業ベンチマークに基づいて、私たちのデータセットは既存のアノテーションを洗練し、単一のイメージ内の複数の欠陥タイプを識別する、リッチなセマンティックな詳細を導入します。 また、高品質で多様な欠陥画像を作成するために設計された2段階拡散ベースジェネレータであるDefect-Genを紹介する。
  論文  参考訳（メタデータ） (2023-10-26T11:23:24Z)
• 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)
• 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)
• RobustBench: a standardized adversarial robustness benchmark [84.50044645539305]
  ロバストネスのベンチマークにおける主な課題は、その評価がしばしばエラーを起こし、ロバストネス過大評価につながることである。 我々は,白箱攻撃と黒箱攻撃のアンサンブルであるAutoAttackを用いて,敵対的ロバスト性を評価する。 分散シフト,キャリブレーション,アウト・オブ・ディストリビューション検出,フェアネス,プライバシリーク,スムースネス,転送性に対するロバスト性の影響を解析した。
  論文  参考訳（メタデータ） (2020-10-19T17:06:18Z)

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。