論文の概要: Autoencoder-Based Visual Anomaly Localization for Manufacturing Quality
Control
- arxiv url: http://arxiv.org/abs/2309.06884v2
- Date: Fri, 3 Nov 2023 12:59:17 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-06 17:15:58.282999
- Title: Autoencoder-Based Visual Anomaly Localization for Manufacturing Quality
Control
- Title(参考訳): 製造品質管理のためのオートエンコーダによる視覚異常位置決め
- Authors: Devang Mehta and Noah Klarmann
- Abstract要約: 本稿では,教師なしクラス選択による欠陥ローカライズオートエンコーダを提案する。
選択された欠陥のクラスは、人工的な欠陥をシミュレートするために天然の野生のテクスチャで強化される。
提案手法は, 家具用メラミン面板における品質欠陥の高精度かつ高精度な位置決めを行うことで, 有望な結果を示すものである。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Manufacturing industries require efficient and voluminous production of
high-quality finished goods. In the context of Industry 4.0, visual anomaly
detection poses an optimistic solution for automatically controlled product
quality with high precision. In general, automation based on computer vision is
a promising solution to prevent bottlenecks at the product quality checkpoint.
We considered recent advancements in machine learning to improve visual defect
localization, but challenges persist in obtaining a balanced feature set and
database of the wide variety of defects occurring in the production line.
Hence, this paper proposes a defect localizing autoencoder with unsupervised
class selection by clustering with k-means the features extracted from a
pre-trained VGG16 network. Moreover, the selected classes of defects are
augmented with natural wild textures to simulate artificial defects. The study
demonstrates the effectiveness of the defect localizing autoencoder with
unsupervised class selection for improving defect detection in manufacturing
industries. The proposed methodology shows promising results with precise and
accurate localization of quality defects on melamine-faced boards for the
furniture industry. Incorporating artificial defects into the training data
shows significant potential for practical implementation in real-world quality
control scenarios.
- Abstract(参考訳): 製造業は高品質の完成品を効率よく生産する必要がある。
産業4.0の文脈では、視覚異常検出は、高精度で自動制御された製品品質に対する楽観的な解決策をもたらす。
一般的に、コンピュータビジョンに基づく自動化は、製品の品質チェックポイントのボトルネックを防止するための有望なソリューションである。
視覚的欠陥の局所化を改善するために機械学習の最近の進歩を検討したが、生産ラインで発生する多種多様な欠陥のバランスのとれた特徴セットとデータベースを得る際の課題が続いている。
そこで本稿では,事前学習したVGG16ネットワークから抽出した特徴をk平均でクラスタリングすることで,教師なしクラス選択による欠陥ローカライズオートエンコーダを提案する。
さらに, 人工的な欠陥をシミュレートするために, 天然の野生のテクスチャを付加する。
本研究は, 製造産業における欠陥検出を改善するための教師なしクラス選択による欠陥局所化オートエンコーダの有効性を示す。
提案手法は,家具産業用メラミン板の品質欠陥を高精度かつ高精度に同定する有望な結果を示す。
トレーニングデータに人工的な欠陥を組み込むことは、実世界の品質管理シナリオにおける実用的な実装の可能性を示している。
関連論文リスト
- DeepInspect: An AI-Powered Defect Detection for Manufacturing Industries [0.0]
この技術は、製品写真から複雑な詳細を抽出することによって、欠陥を正確に識別する。
このプロジェクトでは、ディープラーニングフレームワークを活用して、製造プロセスにおけるリアルタイムな欠陥検出を自動化する。
論文 参考訳(メタデータ) (2023-11-07T04:59:43Z) - Towards Calibrated Robust Fine-Tuning of Vision-Language Models [83.06807954664431]
我々は、最先端の頑健な微調整が、事前訓練された視覚言語モデルの校正を損なうことを示す。
ドメイン間のIDキャリブレーションとロバスト予測をインセンティブとするキャリブレーション型ロバスト微調整法であるCaRotを提案する。
論文 参考訳(メタデータ) (2023-11-03T05:41:25Z) - Robust Anomaly Map Assisted Multiple Defect Detection with Supervised
Classification Techniques [0.440401067183266]
DRAEM技術は教師なし分類のための最先端性能を示す。
異常マップを作成する能力は、おそらく欠陥がある部分を強調することで、教師付き分類モデルに手がかりを与えることができる。
論文 参考訳(メタデータ) (2022-12-19T10:37:30Z) - 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) - Towards Robust Blind Face Restoration with Codebook Lookup Transformer [94.48731935629066]
ブラインドフェイスの修復は、しばしば補助的なガイダンスを必要とする非常に不適切な問題である。
学習した個別のコードブックを小さなプロキシ空間に配置し,ブラインドフェイスの復元をコード予測タスクとすることを示す。
我々は、低品質顔のグローバルな構成とコンテキストをモデル化するトランスフォーマーベースの予測ネットワーク、CodeFormerを提案する。
論文 参考訳(メタデータ) (2022-06-22T17:58:01Z) - 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) - A Continual Learning Framework for Adaptive Defect Classification and
Inspection [7.552600549241253]
機械ビジョンに基づく欠陥分類技術は製造工程における自動品質検査に広く採用されている。
本稿では,不正サンプルの効率的な検査を行い,高ボリュームデータバッチから欠陥を分類する一般的なフレームワークについて述べる。
論文 参考訳(メタデータ) (2022-03-16T17:57:41Z) - Streaming Machine Learning and Online Active Learning for Automated
Visual Inspection [0.6299766708197884]
我々は,Philips Consumer Lifestyle BVが提供する実世界のデータと,視覚的欠陥検査に適用された5つのストリーミング機械学習アルゴリズムを比較した。
以上の結果から,アクティブラーニングがデータラベリングの労力を,最悪の場合平均で約15%削減できることが示唆された。
自動視覚検査に機械学習モデルを使用することで、品質検査を最大40%高速化することが期待されている。
論文 参考訳(メタデータ) (2021-10-15T09:39:04Z) - An Uncertainty-Aware Deep Learning Framework for Defect Detection in
Casting Products [11.792984988875157]
鋳造工程の複雑さのため、鋳造工程では欠陥は避けられない。
CNNは画像分類と欠陥検出の両方に広く応用されている。
頻繁な推測を持つCNNは、トレーニングするために大量のデータを必要とし、予測の不確実性に関する有益な見積もりを報告するのに依然として不足している。
論文 参考訳(メタデータ) (2021-07-24T16:17:20Z) - Anomaly Detection Based on Selection and Weighting in Latent Space [73.01328671569759]
SWADと呼ばれる新しい選択および重み付けに基づく異常検出フレームワークを提案する。
ベンチマークと実世界のデータセットによる実験は、SWADの有効性と優位性を示している。
論文 参考訳(メタデータ) (2021-03-08T10:56:38Z) - Cognitive Visual Inspection Service for LCD Manufacturing Industry [80.63336968475889]
本論文では,現在FPD業界で主流となっている液晶ディスプレイ(LCD)の視覚検査システムについて述べる。
システムは、堅牢/高性能欠陥認識モデルと認知視覚検査サービスアーキテクチャの2つの基礎に基づいています。
論文 参考訳(メタデータ) (2021-01-11T08:14:35Z)
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。