論文の概要: Anomaly Detection in Automated Fibre Placement: Learning with Data Limitations

• arxiv url: http://arxiv.org/abs/2307.07893v1
• Date: Sat, 15 Jul 2023 22:13:36 GMT
• ステータス: 処理完了
• システム内更新日: 2023-07-18 17:08:27.195805
• Title: Anomaly Detection in Automated Fibre Placement: Learning with Data Limitations
• Title（参考訳）: 自動繊維配置における異常検出:データ制限による学習
• Authors: Assef Ghamisi, Todd Charter, Li Ji, Maxime Rivard, Gil Lund, Homayoun Najjaran
• Abstract要約: 我々は、小さなデータセットと互換性のあるオートエンコーダベースのアプローチを導入する。 基礎的な観点からの問題は、正常標本と異常標本のバイナリ分類として単純化することができる。 オートエンコーダは非常に限られた数のスキャンで訓練されているが、提案手法は十分なバイナリ分類精度と欠陥の位置を特定することができる。
• 参考スコア（独自算出の注目度）: 2.0600983253794998
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Current defect detection systems for Automated Fibre Placement (AFP) are mostly based on end-to-end supervised learning methods requiring abundant labelled defective samples, which are not easily generated in sufficient numbers. To address this data scarcity problem, we introduce an autoencoder-based approach compatible with small datasets. Fortunately, the problem from a foundational point of view can be simplified as a binary classification between normal and abnormal samples. The proposed approach uses a depth map of the fibre layup surface, split into small windows aligned to each composite strip (tow). A subset of these windows that do not contain anomalies is passed to an autoencoder to reconstruct the input. Because the autoencoder is trained with normal samples, it produces more accurate reconstructions for these samples than for abnormal ones. Therefore, the value of reconstruction error is used as a quantitative metric for whether there are potential anomalies. These values are combined to produce an anomaly map, which can localize the manufacturing defects in the depth map. The results show that although the autoencoder is trained with a very limited number of scans, the proposed approach can produce sufficient binary classification accuracy and specify the location of the defects.
• Abstract（参考訳）: 現在の自動ファイバー配置のための欠陥検出システム(afp)は主に、十分な数のラベル付き欠陥サンプルを必要とするエンドツーエンド教師付き学習法に基づいている。 このデータ不足問題に対処するために、小さなデータセットと互換性のあるオートエンコーダベースのアプローチを導入する。 幸いなことに、基礎的な観点からの問題は、正常標本と異常標本のバイナリ分類として単純化することができる。 提案手法は, 繊維積層面の深さマップを用いて, 各複合板(タウ)に配向した小さな窓に分割する。 異常を含まないこれらのウィンドウのサブセットはオートエンコーダに渡されて入力を再構築する。 オートエンコーダは正常なサンプルでトレーニングされるため、異常なサンプルよりも正確な再構成を行うことができる。 したがって、潜在的な異常が存在するかどうかの定量的指標として再構成誤差の値が用いられる。 これらの値を組み合わせて異常マップを生成し、奥行きマップに製造欠陥を局所化することができる。 その結果、オートエンコーダは限られた数のスキャンでトレーニングされるが、提案手法は十分なバイナリ分類精度を生み出し、欠陥の位置を特定することができる。

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)
• 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)
• Video Anomaly Detection via Spatio-Temporal Pseudo-Anomaly Generation : A Unified Approach [49.995833831087175]
  本研究は,画像のマスキング領域にペンキを塗布することにより,汎用的な映像時間PAを生成する手法を提案する。 さらに,OCC設定下での現実世界の異常を検出するための単純な統合フレームワークを提案する。 提案手法は,OCC設定下での既存のPAs生成および再構築手法と同等に動作する。
  論文  参考訳（メタデータ） (2023-11-27T13:14:06Z)
• The Eyecandies Dataset for Unsupervised Multimodal Anomaly Detection and Localization [1.3124513975412255]
  Eyecandiesは、教師なしの異常検出とローカライゼーションのための新しいデータセットである。 複数の雷条件下で、手続き的に生成されたキャンディーのフォトリアリスティック画像が制御された環境でレンダリングされる。
  論文  参考訳（メタデータ） (2022-10-10T11:19:58Z)
• Deep Open-Set Recognition for Silicon Wafer Production Monitoring [7.7977112365916]
  本稿では,サブマニフォールドスパース畳み込みネットワークに基づくウェハ監視のための包括的パイプラインを提案する。 実験により, サブマニフォールドスパース畳み込みによるWDMの直接処理により, 既知のクラスにおいて優れた分類性能が得られることが示された。 我々のソリューションは、新規性の検出において最先端のオープンセット認識ソリューションより優れています。
  論文  参考訳（メタデータ） (2022-08-30T08:39:52Z)
• Self-Supervised Training with Autoencoders for Visual Anomaly Detection [61.62861063776813]
  我々は, 正規サンプルの分布を低次元多様体で支持する異常検出において, 特定のユースケースに焦点を当てた。 我々は、訓練中に識別情報を活用する自己指導型学習体制に適応するが、通常の例のサブ多様体に焦点をあてる。 製造領域における視覚異常検出のための挑戦的なベンチマークであるMVTec ADデータセットで、最先端の新たな結果を達成する。
  論文  参考訳（メタデータ） (2022-06-23T14:16:30Z)
• Self-Supervised Predictive Convolutional Attentive Block for Anomaly Detection [97.93062818228015]
  本稿では,再建に基づく機能を,新たな自己監督型予測アーキテクチャビルディングブロックに統合することを提案する。 我々のブロックは、受容領域におけるマスク領域に対する再構成誤差を最小限に抑える損失を備える。 画像やビデオの異常検出のための最先端フレームワークに組み込むことで,ブロックの汎用性を実証する。
  論文  参考訳（メタデータ） (2021-11-17T13:30:31Z)
• 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)
• Feature Encoding with AutoEncoders for Weakly-supervised Anomaly Detection [46.76220474310698]
  弱教師付き異常検出は、ラベル付きデータと豊富なラベル付きデータから異常検出を学習することを目的としている。 最近の研究は、正常なサンプルと異常なサンプルを特徴空間内の異なる領域に識別的にマッピングしたり、異なる分布に適合させたりすることで、異常検出のためのディープニューラルネットワークを構築している。 本稿では,入力データを,異常検出に使用可能な,より意味のある表現に変換するための新しい手法を提案する。
  論文  参考訳（メタデータ） (2021-05-22T16:23:05Z)
• Detection Method Based on Automatic Visual Shape Clustering for Pin-Missing Defect in Transmission Lines [1.602803566465659]
  ボルトは送電線で最も多くのファスナーであり、分割ピンを失う傾向にある。 タイムリーかつ効率的なトラブルシューティングを実現するために,伝送線路のボルトの自動ピン欠落検出を実現する方法は難しい問題である。 本稿では、ピン欠落検出のためのAVSCNet(Automatic Visual Shape Clustering Network)と呼ばれる自動検出モデルを構築した。
  論文  参考訳（メタデータ） (2020-01-17T10:57:37Z)

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。