論文の概要: ISP-AD: A Large-Scale Real-World Dataset for Advancing Industrial Anomaly Detection with Synthetic and Real Defects

• arxiv url: http://arxiv.org/abs/2503.04997v1
• Date: Thu, 06 Mar 2025 21:56:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-10 15:56:49.082266
• Title: ISP-AD: A Large-Scale Real-World Dataset for Advancing Industrial Anomaly Detection with Synthetic and Real Defects
• Title（参考訳）: ISP-AD: 産業異常検出のための大規模実世界のデータセット
• Authors: Paul J. Krassnig, Dieter P. Gruber,
• Abstract要約: 産業用スクリーン印刷異常検出データセット(ISP-AD) ISP-ADは、ファクトリフロアから直接収集された合成欠陥と実際の欠陥を含む、これまでで最大のパブリックな産業データセットである。 合成および実際の欠陥を取り入れた複合教師あり訓練手法の実験を行った。 研究結果は, 偽陽性率の低い, 高いリコールなどの産業検査要求を満たすことによって, 合成的, 蓄積的両欠陥による監督が相互に補完できることを示唆している。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Automatic visual inspection using machine learning-based methods plays a key role in achieving zero-defect policies in industry. Research on anomaly detection approaches is constrained by the availability of datasets that represent complex defect appearances and imperfect imaging conditions, which are typical to industrial processes. Recent benchmarks indicate that most publicly available datasets are biased towards optimal imaging conditions, leading to an overestimation of the methods' applicability to real-world industrial scenarios. To address this gap, we introduce the Industrial Screen Printing Anomaly Detection dataset (ISP-AD). It presents challenging small and weakly contrasted surface defects embedded within structured patterns exhibiting high permitted design variability. To the best of our knowledge, it is the largest publicly available industrial dataset to date, including both synthetic and real defects collected directly from the factory floor. In addition to the evaluation of defect detection performance of recent unsupervised anomaly detection methods, experiments on a mixed supervised training approach, incorporating both synthesized and real defects, were conducted. Even small amounts of injected real defects prove beneficial for model generalization. Furthermore, starting from training on purely synthetic defects, emerging real defective samples can be efficiently integrated into subsequent scalable training. Research findings indicate that supervision by means of both synthetic and accumulated real defects can complement each other, meeting demanded industrial inspection requirements such as low false positive rates and high recall. The presented unsupervised and supervised dataset splits are designed to emphasize research on unsupervised, self-supervised, and supervised approaches, enhancing their applicability to industrial settings.
• Abstract（参考訳）: 機械学習を用いた自動視覚検査は、業界におけるゼロ欠陥ポリシーの実現に重要な役割を果たしている。 異常検出手法の研究は、複雑な欠陥の出現を示すデータセットと、産業プロセスに典型的な不完全な撮像条件によって制限されている。 最近のベンチマークでは、ほとんどの公開データセットが最適な画像条件に偏っていることが示されており、実際の産業シナリオへのメソッドの適用性を過大評価している。 このギャップに対処するため,ISP-AD(Industrial Screening Anomaly Detection)データセットを導入する。 これは、高い許容される設計のばらつきを示す構造化パターンに埋め込まれた、小さく、弱く対照的な表面欠陥を示す。 私たちの知る限りでは、工場のフロアから直接収集された人工的な欠陥と実際の欠陥を含む、これまでで最大の公開可能な産業データセットです。 近年の非教師付き異常検出手法の欠陥検出性能の評価に加えて, 合成および実欠陥を併用した混合教師付きトレーニング手法の実験を行った。 少量の注入された真の欠陥でさえ、モデルの一般化には有益である。 さらに、純粋な合成欠陥のトレーニングから始めると、出現する真の欠陥サンプルは、その後のスケーラブルなトレーニングに効率的に統合することができる。 研究結果は, 偽陽性率の低い, 高いリコールなどの産業検査要求を満たすことによって, 合成的, 蓄積的両欠陥による監督が相互に補完できることを示唆している。 提示された教師なしと教師なしのデータセット分割は、教師なし、自己教師あり、教師なしのアプローチの研究を強調し、産業環境への適用性を高めるように設計されている。

関連論文リスト

• Exploring Large Vision-Language Models for Robust and Efficient Industrial Anomaly Detection [4.691083532629246]
  CLAD(Contrastive Cross-Modal Training)を用いた視覚言語異常検出法を提案する。 CLADは、視覚的特徴とテキスト的特徴をコントラスト学習を用いて共有埋め込み空間に整列する。 CLADは画像レベルの異常検出と画素レベルの異常局所化の両方において最先端の手法より優れていることを示す。
  論文  参考訳（メタデータ） (2024-12-01T17:00:43Z)
• A PRISMA Driven Systematic Review of Publicly Available Datasets for Benchmark and Model Developments for Industrial Defect Detection [0.0]
  進捗にとって重要な障壁は、注釈付き欠陥を含む包括的なデータセットの不足である。 2015年から2023年までのこの体系的なレビューでは、15の公開データセットが特定されている。 この体系的なレビューの目的は、これらのデータセットを単一の場所に集約し、研究者に包括的な参照を提供することである。
  論文  参考訳（メタデータ） (2024-06-11T20:14:59Z)
• Condition Monitoring with Incomplete Data: An Integrated Variational Autoencoder and Distance Metric Framework [2.7898966850590625]
  本稿では,未確認データに対する故障検出と条件モニタリングのための新しい手法を提案する。 我々は変分オートエンコーダを用いて、以前に見られた新しい未知条件の確率分布をキャプチャする。 故障は、健康指標のしきい値を確立することで検出され、そのモデルが重大で見えない断層を高い精度で識別することができる。
  論文  参考訳（メタデータ） (2024-04-08T22:20:23Z)
• Self-supervised Feature Adaptation for 3D Industrial Anomaly Detection [59.41026558455904]
  具体的には,大規模ビジュアルデータセット上で事前学習されたモデルを利用した初期のマルチモーダルアプローチについて検討する。 本研究では,アダプタを微調整し,異常検出に向けたタスク指向の表現を学習するためのLSFA法を提案する。
  論文  参考訳（メタデータ） (2024-01-06T07:30:41Z)
• Anomaly Detection in Automated Fibre Placement: Learning with Data Limitations [3.103778949672542]
  自動繊維配置における欠陥検出と局所化のための包括的枠組みを提案する。 我々のアプローチは教師なしのディープラーニングと古典的なコンピュータビジョンアルゴリズムを組み合わせる。 様々な表面の問題を効率よく検出し、訓練のために複合部品のイメージを少なくする。
  論文  参考訳（メタデータ） (2023-07-15T22:13:36Z)
• Deep Learning based pipeline for anomaly detection and quality enhancement in industrial binder jetting processes [68.8204255655161]
  異常検出は、通常の値空間とは異なる異常状態、インスタンス、あるいはデータポイントを検出する方法を記述する。 本稿では,産業生産における人工知能へのデータ中心のアプローチに寄与する。
  論文  参考訳（メタデータ） (2022-09-21T08:14:34Z)
• 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)
• 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)
• Real-World Anomaly Detection by using Digital Twin Systems and Weakly-Supervised Learning [3.0100975935933567]
  本稿では, 産業環境における異常検出に対する弱い制御手法を提案する。 これらのアプローチでは、Digital Twinを使用して、機械の通常の動作をシミュレートするトレーニングデータセットを生成する。 提案手法の性能を,実世界のデータセットに応用した様々な最先端の異常検出アルゴリズムと比較した。
  論文  参考訳（メタデータ） (2020-11-12T10:15:56Z)
• SUOD: Accelerating Large-Scale Unsupervised Heterogeneous Outlier Detection [63.253850875265115]
  外乱検出(OD)は、一般的なサンプルから異常物体を識別するための機械学習(ML)タスクである。 そこで我々は,SUODと呼ばれるモジュール型加速度システムを提案する。
  論文  参考訳（メタデータ） (2020-03-11T00:22:50Z)

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。