論文の概要: A Lightweight Reconstruction Network for Surface Defect Inspection
- arxiv url: http://arxiv.org/abs/2212.12878v1
- Date: Sun, 25 Dec 2022 08:59:15 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-27 13:58:14.185311
- Title: A Lightweight Reconstruction Network for Surface Defect Inspection
- Title（参考訳）: 表面欠陥検査のための軽量再構成ネットワーク
- Authors: Chao Hu, Jian Yao, Weijie Wu, Weibin Qiu and Liqiang Zhu
- Abstract要約: 本稿では,再構成ネットワークに基づく教師なし欠陥検出アルゴリズムを提案する。
再構成ネットワークは、軽量な構造を持つ完全畳み込みオートエンコーダによって設計されている。
その結果,再構成ネットワークの非教師なし欠陥検出アルゴリズムは強い堅牢性と精度を有することがわかった。
- 参考スコア（独自算出の注目度）: 3.6823636353870954
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Currently, most deep learning methods cannot solve the problem of scarcity of
industrial product defect samples and significant differences in
characteristics. This paper proposes an unsupervised defect detection algorithm
based on a reconstruction network, which is realized using only a large number
of easily obtained defect-free sample data. The network includes two parts:
image reconstruction and surface defect area detection. The reconstruction
network is designed through a fully convolutional autoencoder with a
lightweight structure. Only a small number of normal samples are used for
training so that the reconstruction network can be A defect-free reconstructed
image is generated. A function combining structural loss and $\mathit{L}1$ loss
is proposed as the loss function of the reconstruction network to solve the
problem of poor detection of irregular texture surface defects. Further, the
residual of the reconstructed image and the image to be tested is used as the
possible region of the defect, and conventional image operations can realize
the location of the fault. The unsupervised defect detection algorithm of the
proposed reconstruction network is used on multiple defect image sample sets.
Compared with other similar algorithms, the results show that the unsupervised
defect detection algorithm of the reconstructed network has strong robustness
and accuracy.
- Abstract（参考訳）: 現在、ほとんどの深層学習法は、工業製品欠陥サンプルの不足と特徴の顕著な相違を解決できない。
本稿では,再構成ネットワークに基づく非教師付き欠陥検出アルゴリズムを提案する。
ネットワークは画像再構成と表面欠陥領域検出の2つの部分を含む。
再構成ネットワークは軽量な構造を持つ完全畳み込みオートエンコーダによって設計されている。
復元ネットワークを欠陥のない再構成画像として生成できるように、トレーニングに使用するのはごく少数の正規サンプルのみである。
再構成ネットワークの損失関数として構造損失と$\mathit{L}1$損失を組み合わせた関数を提案する。
さらに、この欠陥の可能な領域として再構成画像と検査対象画像の残欠が使用され、従来の画像操作で断層の位置が分かる。
再構成ネットワークの非教師付き欠陥検出アルゴリズムは、複数の欠陥画像サンプルセットに使用される。
他の類似アルゴリズムと比較すると、再構成されたネットワークの教師なし欠陥検出アルゴリズムは強い堅牢性と正確性を示す。
関連論文リスト
- Multi-feature Reconstruction Network using Crossed-mask Restoration for Unsupervised Anomaly Detection [4.850625510686943]
産業生産における品質検査には, 教師なし異常検出が重要である。
本稿では,クロスマスク復元を用いた多機能再構成ネットワークMFRNetを提案する。
提案手法は,4つの公開データセットと1つの自作データセットにおいて,他の最先端のデータセットと高い競争力,あるいは大幅に上回っている。
論文 参考訳（メタデータ） (2024-04-20T05:13:56Z) - Enhancing signal detectability in learning-based CT reconstruction with
a model observer inspired loss function [0.26249027950824505]
本稿では,再建過程における弱い信号の検出可能性を高めるために,モデルオブザーバフレームワークにヒントを得た新たなトレーニング損失を導入する。
本研究は, 乳房CT画像から得られたスパース画像の再構成に対するアプローチを検証し, 信号検出性の向上を実証するものである。
論文 参考訳（メタデータ） (2024-02-15T15:18:06Z) - DiAD: A Diffusion-based Framework for Multi-class Anomaly Detection [55.48770333927732]
本稿では,拡散型異常検出(Difusion-based Anomaly Detection, DAD)フレームワークを提案する。
画素空間オートエンコーダ、安定拡散の復調ネットワークに接続する潜在空間セマンティックガイド(SG)ネットワーク、特徴空間事前学習機能抽出器から構成される。
MVTec-ADとVisAデータセットの実験は、我々のアプローチの有効性を実証している。
論文 参考訳（メタデータ） (2023-12-11T18:38:28Z) - Is Deep Image Prior in Need of a Good Education? [57.3399060347311]
画像再構成に有効な先行画像として, 奥行き画像が導入された。
その印象的な再建性にもかかわらず、学習技術や伝統的な再建技術と比べてアプローチは遅い。
計算課題に対処する2段階の学習パラダイムを開発する。
論文 参考訳（メタデータ） (2021-11-23T15:08:26Z) - Spatially-Adaptive Image Restoration using Distortion-Guided Networks [51.89245800461537]
空間的に変化する劣化に苦しむ画像の復元のための学習ベースソリューションを提案する。
本研究では、歪み局所化情報を活用し、画像中の困難な領域に動的に適応するネットワーク設計であるSPAIRを提案する。
論文 参考訳（メタデータ） (2021-08-19T11:02:25Z) - Anomaly Detection By Autoencoder Based On Weighted Frequency Domain Loss [1.0312968200748116]
画像異常検出において、オートエンコーダは、異常を含む可能性のある入力イメージを再構築し、異常のないクリーンイメージを出力する一般的な方法である。
本稿では,従来のオートエンコーダ法と比較して,MVTec ADデータセット上でのAUROCとの比較により,提案手法の優位性を示す。
論文 参考訳（メタデータ） (2021-05-21T09:10:36Z) - D-Unet: A Dual-encoder U-Net for Image Splicing Forgery Detection and
Localization [108.8592577019391]
画像スプライシング偽造検出は、画像指紋によって改ざんされた領域と非改ざんされた領域を区別するグローバルバイナリ分類タスクである。
画像スプライシングフォージェリ検出のためのデュアルエンコーダU-Net(D-Unet)という,固定されていないエンコーダと固定エンコーダを用いた新しいネットワークを提案する。
D-Unetと最先端技術の比較実験において、D-Unetは画像レベルおよび画素レベルの検出において他の手法よりも優れていた。
論文 参考訳（メタデータ） (2020-12-03T10:54:02Z) - Improved anomaly detection by training an autoencoder with skip
connections on images corrupted with Stain-shaped noise [25.85927871251385]
異常検出は 復元の残留か もしくは 復元の不確実性に依存する
我々は,再設計のシャープさを改善するために,スキップ接続を備えたオートエンコーダアーキテクチャを検討する。
このモデルでは、実際の欠陥の有無にかかわらず、任意の実世界の画像からクリーンなイメージを復元することが好ましいことを示す。
論文 参考訳（メタデータ） (2020-08-29T13:50:49Z) - Encoding Structure-Texture Relation with P-Net for Anomaly Detection in
Retinal Images [42.700275429734205]
網膜画像における異常検出は、網膜疾患や疾患によって引き起こされる異常の同定を指す。
本稿では,画像テクスチャと構造の関係を利用して,異常検出のためのディープニューラルネットワークの設計を提案する。
論文 参考訳（メタデータ） (2020-08-09T02:59:33Z) - Salvage Reusable Samples from Noisy Data for Robust Learning [70.48919625304]
本稿では,Web画像を用いた深部FGモデルのトレーニングにおいて,ラベルノイズに対処するための再利用可能なサンプル選択と修正手法を提案する。
私たちのキーとなるアイデアは、再利用可能なサンプルの追加と修正を行い、それらをクリーンな例とともに活用してネットワークを更新することです。
論文 参考訳（メタデータ） (2020-08-06T02:07:21Z) - Compressive sensing with un-trained neural networks: Gradient descent
finds the smoothest approximation [60.80172153614544]
訓練されていない畳み込みニューラルネットワークは、画像の回復と復元に非常に成功したツールとして登場した。
トレーニングされていない畳み込みニューラルネットワークは、ほぼ最小限のランダムな測定値から、十分に構造化された信号や画像を概ね再構成可能であることを示す。
論文 参考訳（メタデータ） (2020-05-07T15:57:25Z)
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。