論文の概要: A Novel Strategy for Improving Robustness in Computer Vision Manufacturing Defect Detection

• arxiv url: http://arxiv.org/abs/2305.09407v1
• Date: Tue, 16 May 2023 12:51:51 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-17 14:57:29.942824
• Title: A Novel Strategy for Improving Robustness in Computer Vision Manufacturing Defect Detection
• Title（参考訳）: コンピュータビジョン製造欠陥検出におけるロバスト性向上のための新しい戦略
• Authors: Ahmad Mohamad Mezher and Andrew E. Marble
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 1.3198689566654107
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Visual quality inspection in high performance manufacturing can benefit from automation, due to cost savings and improved rigor. Deep learning techniques are the current state of the art for generic computer vision tasks like classification and object detection. Manufacturing data can pose a challenge for deep learning because data is highly repetitive and there are few images of defects or deviations to learn from. Deep learning models trained with such data can be fragile and sensitive to context, and can under-detect new defects not found in the training data. In this work, we explore training defect detection models to learn specific defects out of context, so that they are more likely to be detected in new situations. We demonstrate how models trained on diverse images containing a common defect type can pick defects out in new circumstances. Such generic models could be more robust to new defects not found data collected for training, and can reduce data collection impediments to implementing visual inspection on production lines. Additionally, we demonstrate that object detection models trained to predict a label and bounding box outperform classifiers that predict a label only on held out test data typical of manufacturing inspection tasks. Finally, we studied the factors that affect generalization in order to train models that work under a wider range of conditions.
• Abstract（参考訳）: 高性能製造における視覚的品質検査は、コスト削減とリガーの改善により自動化の恩恵を受ける。 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。 製造データは非常に反復的なデータであり、そこから学ぶべき欠陥や偏差のイメージは少ないため、ディープラーニングには大きな課題がある。 このようなデータでトレーニングされたディープラーニングモデルは、脆弱でコンテキストに敏感であり、トレーニングデータにない新たな欠陥を過小に検出することができる。 本研究では,新たな状況下で検出される可能性が高くなるよう,コンテキストから特定の欠陥を学習するための欠陥検出モデルのトレーニングを検討する。 共通欠陥型を含む多彩な画像上でトレーニングされたモデルが,新たな状況下での欠陥の抽出方法を示す。 このようなジェネリックモデルは、トレーニング用に収集されていないデータに対する新たな欠陥に対してより堅牢になり、データ収集障害を減らし、生産ラインの視覚検査を実装することができる。 さらに,製造検査タスクに典型的なテストデータのみに基づいてラベルを予測できるラベルと境界ボックスのアウトフォーム分類器を訓練したオブジェクト検出モデルを示す。 最後に,より広い条件下で働くモデルを訓練するために,一般化に影響を及ぼす要因について検討した。

関連論文リスト

• SINDER: Repairing the Singular Defects of DINOv2 [61.98878352956125]
  大規模なデータセットでトレーニングされたビジョントランスフォーマーモデルは、抽出したパッチトークンにアーティファクトを表示することが多い。 本稿では,小さなデータセットのみを用いて構造欠陥を補正するスムーズなスムーズな正規化を提案する。
  論文  参考訳（メタデータ） (2024-07-23T20:34:23Z)
• An Evaluation of Continual Learning for Advanced Node Semiconductor Defect Inspection [0.11184789007828977]
  本研究は,半導体欠陥検査におけるタスクに依存しないメタラーニング手法を提案する。 新しい欠陥クラスとスケールの漸進的な追加を可能にし、より堅牢で一般化されたモデルを作成する。 我々は、ADIとAEIの2つのプロセスステップに対して、実際のレジストウェハSEM(Scanning Electron Microscopy)データセットを用いて、我々のアプローチをベンチマークした。
  論文  参考訳（メタデータ） (2024-07-17T16:41:22Z)
• Pseudo Replay-based Class Continual Learning for Online New Category Anomaly Detection in Advanced Manufacturing [5.012204041812572]
  本稿では,新しい擬似リプレイ型連続学習フレームワークを開発する。 クラスインクリメンタル学習とオーバーサンプリングベースのデータ生成を統合している。 提案手法の有効性を3つのケーススタディで検証した。
  論文  参考訳（メタデータ） (2023-12-05T04:43:23Z)
• Open-Vocabulary Video Anomaly Detection [57.552523669351636]
  監視の弱いビデオ異常検出(VAD)は、ビデオフレームが正常であるか異常であるかを識別するためにビデオレベルラベルを利用する際、顕著な性能を達成した。 近年の研究は、より現実的な、オープンセットのVADに取り組み、異常や正常なビデオから見えない異常を検出することを目的としている。 本稿ではさらに一歩前進し、未確認および未確認の異常を検知・分類するために訓練済みの大規模モデルを活用することを目的とした、オープン語彙ビデオ異常検出(OVVAD)について検討する。
  論文  参考訳（メタデータ） (2023-11-13T02:54:17Z)
• 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)
• 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)
• Generative Modeling Helps Weak Supervision (and Vice Versa) [87.62271390571837]
  本稿では,弱い監督と生成的敵ネットワークを融合したモデルを提案する。 弱い監督によるラベル推定と並行して、データの離散変数をキャプチャする。 これは、弱い教師付き合成画像と擬似ラベルによるデータ拡張を可能にする最初のアプローチである。
  論文  参考訳（メタデータ） (2022-03-22T20:24:21Z)
• Improving generalization with synthetic training data for deep learning based quality inspection [0.0]
  教師付きディープラーニングは、トレーニングのために大量の注釈付きイメージを必要とする。 実際には、そのようなデータの収集と注釈付けは費用がかかり、手間がかかる。 ランダムに生成した合成訓練画像を用いることで、領域不安定性に対処できることを示す。
  論文  参考訳（メタデータ） (2022-02-25T16:51:01Z)
• Synthetic training data generation for deep learning based quality inspection [0.0]
  欠陥のある部分や正常な部分(欠陥のない部分)の画像を描画する汎用的なシミュレーションパイプラインを提案する。 深層学習ネットワークを訓練し、製造元からの実データでテストすることで、生成した画像の品質を評価する。
  論文  参考訳（メタデータ） (2021-04-07T08:07:57Z)
• Explainable Adversarial Attacks in Deep Neural Networks Using Activation Profiles [69.9674326582747]
  本稿では,敵対的事例に基づくニューラルネットワークモデルを検討するためのビジュアルフレームワークを提案する。 これらの要素を観察することで、モデル内の悪用領域を素早く特定できることを示す。
  論文  参考訳（メタデータ） (2021-03-18T13:04:21Z)
• Understanding Classifier Mistakes with Generative Models [88.20470690631372]
  ディープニューラルネットワークは教師付き学習タスクに有効であるが、脆弱であることが示されている。 本稿では、生成モデルを利用して、分類器が一般化に失敗するインスタンスを特定し、特徴付ける。 我々のアプローチは、トレーニングセットのクラスラベルに依存しないため、半教師付きでトレーニングされたモデルに適用できる。
  論文  参考訳（メタデータ） (2020-10-05T22:13:21Z)

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。