論文の概要: Segment Anything in Defect Detection

• arxiv url: http://arxiv.org/abs/2311.10245v1
• Date: Fri, 17 Nov 2023 00:28:19 GMT
• ステータス: 処理完了
• システム内更新日: 2023-11-22 15:28:19.616103
• Title: Segment Anything in Defect Detection
• Title（参考訳）: 欠陥検出におけるセグメンテーション
• Authors: Bozhen Hu, Bin Gao, Cheng Tan, Tongle Wu, Stan Z. Li
• Abstract要約: DefectSAMは、ノイズの多い熱画像に欠陥を分割するための新しいアプローチである。 既存の最先端セグメンテーションアルゴリズムを超え、欠陥検出率を大幅に改善する。
• 参考スコア（独自算出の注目度）: 38.85728242930962
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Defect detection plays a crucial role in infrared non-destructive testing systems, offering non-contact, safe, and efficient inspection capabilities. However, challenges such as low resolution, high noise, and uneven heating in infrared thermal images hinder comprehensive and accurate defect detection. In this study, we propose DefectSAM, a novel approach for segmenting defects on highly noisy thermal images based on the widely adopted model, Segment Anything (SAM)\cite{kirillov2023segany}. Harnessing the power of a meticulously curated dataset generated through labor-intensive lab experiments and valuable prompts from experienced experts, DefectSAM surpasses existing state-of-the-art segmentation algorithms and achieves significant improvements in defect detection rates. Notably, DefectSAM excels in detecting weaker and smaller defects on complex and irregular surfaces, reducing the occurrence of missed detections and providing more accurate defect size estimations. Experimental studies conducted on various materials have validated the effectiveness of our solutions in defect detection, which hold significant potential to expedite the evolution of defect detection tools, enabling enhanced inspection capabilities and accuracy in defect identification.
• Abstract（参考訳）: 欠陥検出は赤外線非破壊検査システムにおいて重要な役割を担い、非接触で安全で効率的な検査機能を提供する。 しかし、赤外線熱画像における低解像度、高ノイズ、不均一加熱などの課題は、包括的かつ正確な欠陥検出を妨げる。 本研究では,広く採用されているSegment Anything(SAM)モデルに基づいて,ノイズの多い熱画像に欠陥を分割する新しい手法であるDefectSAMを提案する。 労働集約的なラボ実験と経験豊富な専門家による貴重なプロンプトによって生成された細心の注意深いデータセットのパワーを活用することで、欠陥サムは、既存の最先端のセグメンテーションアルゴリズムを上回り、欠陥検出率を大幅に改善した。 特に、DefectSAMは、複雑で不規則な表面上のより弱く小さな欠陥を検出し、ミス検出の発生を低減し、より正確な欠陥サイズ推定を提供する。 各種材料を用いた実験により, 欠陥検出ツールの進化を早める可能性があり, 検査能力の向上と欠陥同定精度の向上が期待できる欠陥検出法の有効性が検証された。

関連論文リスト

• A Study on Unsupervised Anomaly Detection and Defect Localization using Generative Model in Ultrasonic Non-Destructive Testing [0.0]
  構造物における人工材料の劣化は深刻な社会問題となっている。 レーザー超音波可視化試験(LUVT)は、超音波伝搬の可視化を可能にする。 本稿では,異常検出手法を用いたLUVT自動検査手法を提案する。
  論文  参考訳（メタデータ） (2024-05-26T14:14:35Z)
• BARO: Robust Root Cause Analysis for Microservices via Multivariate Bayesian Online Change Point Detection [11.627235799040388]
  本稿では,異常検出と根本原因分析を統合したエンドツーエンドアプローチを提案する。 BarOは、異常検出と根本原因分析の両方において、最先端のアプローチを一貫して上回る。
  論文  参考訳（メタデータ） (2024-05-15T13:32:59Z)
• An Improved Anomaly Detection Model for Automated Inspection of Power Line Insulators [0.0]
  電力系統の信頼性を確保するためには絶縁体の検査が重要である。 検査プロセスを自動化するために、ディープラーニングがますます活用されています。 本稿では,異常検出とオブジェクト検出の2段階的アプローチを提案する。
  論文  参考訳（メタデータ） (2023-11-14T11:36:20Z)
• 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)
• CINFormer: Transformer network with multi-stage CNN feature injection for surface defect segmentation [73.02218479926469]
  表面欠陥分割のための多段CNN特徴注入を用いた変圧器ネットワークを提案する。 CINFormerは、入力画像のマルチレベルCNN機能をエンコーダ内のトランスフォーマーネットワークの異なるステージに注入する、シンプルだが効果的な機能統合機構を提供する。 さらに、CINFormerはTop-Kセルフアテンションモジュールを提供し、欠陥に関するより重要な情報を持つトークンにフォーカスする。
  論文  参考訳（メタデータ） (2023-09-22T06:12:02Z)
• The role of noise in denoising models for anomaly detection in medical images [62.0532151156057]
  病理脳病変は脳画像に多彩な外観を示す。 正規データのみを用いた教師なし異常検出手法が提案されている。 空間分解能の最適化と雑音の大きさの最適化により,異なるモデル学習体制の性能が向上することを示す。
  論文  参考訳（メタデータ） (2023-01-19T21:39:38Z)
• 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)
• ReDFeat: Recoupling Detection and Description for Multimodal Feature Learning [51.07496081296863]
  我々は、相互重み付け戦略による多モーダル特徴学習の検出と記述の独立した制約を再定義する。 本研究では,大きな受容場を有し,学習可能な非最大抑制層を備える検出器を提案する。 我々は,特徴マッチングと画像登録タスクにおける特徴量を評価するために,クロス可視,赤外線,近赤外,合成開口レーダ画像ペアを含むベンチマークを構築した。
  論文  参考訳（メタデータ） (2022-05-16T04:24:22Z)
• Bayesian autoencoders with uncertainty quantification: Towards trustworthy anomaly detection [78.24964622317634]
  本研究では, ベイズオートエンコーダ (BAEs) の定式化により, 全体の異常不確かさを定量化する。 不確実性の質を評価するために,不確実性の予測を拒否するオプションを追加して,異常を分類する作業を検討する。 本実験は,BAEと総異常不確かさが,ベンチマークデータセットと製造用実データセットのセットに与える影響を実証するものである。
  論文  参考訳（メタデータ） (2022-02-25T12:20:04Z)
• Smart-Inspect: Micro Scale Localization and Classification of Smartphone Glass Defects for Industrial Automation [8.414611978466622]
  スマートフォンガラスの16K画素画像上に,知的マイクロスケールの局所化と欠陥の分類を行うための,堅牢な半教師付き学習フレームワークを提案する。 本モデルでは, ひっかき傷, ひび割れによる光漏れ, 穴の3種類の欠陥の認識とラベル付けを行う。 また, ダスト粒子とセンサ領域による欠陥と光反射を非欠陥領域と分類した。
  論文  参考訳（メタデータ） (2020-10-02T01:15:00Z)

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。