論文の概要: From Lab to Factory: Pitfalls and Guidelines for Self-/Unsupervised Defect Detection on Low-Quality Industrial Images

• arxiv url: http://arxiv.org/abs/2506.16890v1
• Date: Fri, 20 Jun 2025 10:28:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-23 19:00:05.407398
• Title: From Lab to Factory: Pitfalls and Guidelines for Self-/Unsupervised Defect Detection on Low-Quality Industrial Images
• Title（参考訳）: 研究室から工場へ:低品質産業画像における自己/非教師的欠陥検出のための落とし穴とガイドライン
• Authors: Sebastian Hönel, Jonas Nordqvist,
• Abstract要約: 機械学習は手動処理に取って代わる可能性がある。 ほとんどのメソッドは、低いデータ品質をうまく処理したり、好ましくないが典型的な現実世界の設定において、ロバストさを排除したりしない。 生産データの品質問題を特定し改善するための2種類の最先端モデルを評価する。
• 参考スコア（独自算出の注目度）: 1.8185814461140655
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: The detection and localization of quality-related problems in industrially mass-produced products has historically relied on manual inspection, which is costly and error-prone. Machine learning has the potential to replace manual handling. As such, the desire is to facilitate an unsupervised (or self-supervised) approach, as it is often impossible to specify all conceivable defects ahead of time. A plethora of prior works have demonstrated the aptitude of common reconstruction-, embedding-, and synthesis-based methods in laboratory settings. However, in practice, we observe that most methods do not handle low data quality well or exude low robustness in unfavorable, but typical real-world settings. For practitioners it may be very difficult to identify the actual underlying problem when such methods underperform. Worse, often-reported metrics (e.g., AUROC) are rarely suitable in practice and may give misleading results. In our setting, we attempt to identify subtle anomalies on the surface of blasted forged metal parts, using rather low-quality RGB imagery only, which is a common industrial setting. We specifically evaluate two types of state-of-the-art models that allow us to identify and improve quality issues in production data, without having to obtain new data. Our contribution is to provide guardrails for practitioners that allow them to identify problems related to, e.g., (lack of) robustness or invariance, in either the chosen model or the data reliably in similar scenarios. Furthermore, we exemplify common pitfalls in and shortcomings of likelihood-based approaches and outline a framework for proper empirical risk estimation that is more suitable for real-world scenarios.
• Abstract（参考訳）: 工業的に大量生産された製品の品質関連問題の検出と局所化は、歴史的に手動検査に依存してきた。 機械学習は手動処理に取って代わる可能性がある。 そのため、予測不可能な欠陥をすべて事前に特定することは不可能な場合が多いため、教師なし(あるいは自己管理)アプローチを促進することが望まれる。 多くの先行研究が、実験室環境における一般的な再構成、組込み、合成に基づく手法の適性を示している。 しかし、実際には、ほとんどの手法が低品質をうまく扱えないか、あるいは好ましくないが典型的な実世界の環境において、ロバスト性を損なうことが観察されている。 実践者にとって、そのような手法が不十分な場合に、実際の根底にある問題を特定することは非常に困難である。 さらに悪いことに、しばしば報告されるメトリクス(例:AUROC)は実践に適さないため、誤った結果をもたらす可能性がある。 本稿では,低品質なRGB画像のみを用いて,打製鍛造金属部品の表面の微妙な異常を識別する。 我々は、新しいデータを得ることなく、生産データの品質問題を特定し改善できる2種類の最先端モデルを具体的に評価する。 私たちのコントリビューションは、選択したモデルまたは同様のシナリオで確実にデータのいずれかにおいて、例えば、堅牢性や不変性に関連する問題を特定することのできる、実践者のためのガードレールを提供することです。 さらに、可能性に基づくアプローチの共通の落とし穴と欠点を実証し、実世界のシナリオにより適した適切な経験的リスク推定のためのフレームワークを概説する。

関連論文リスト

• ISP-AD: A Large-Scale Real-World Dataset for Advancing Industrial Anomaly Detection with Synthetic and Real Defects [0.0]
  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。
  論文  参考訳（メタデータ） (2025-03-06T21:56:31Z)
• A Comprehensive Library for Benchmarking Multi-class Visual Anomaly Detection [52.228708947607636]
  本稿では,新しい手法のモジュラーフレームワークであるADerを包括的視覚異常検出ベンチマークとして紹介する。 このベンチマークには、産業ドメインと医療ドメインからの複数のデータセットが含まれており、15の最先端メソッドと9つの包括的なメトリクスを実装している。 我々は,異なる手法の長所と短所を客観的に明らかにし,多クラス視覚異常検出の課題と今後の方向性について考察する。
  論文  参考訳（メタデータ） (2024-06-05T13:40:07Z)
• 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)
• Distributional Instance Segmentation: Modeling Uncertainty and High Confidence Predictions with Latent-MaskRCNN [77.0623472106488]
  本稿では,潜在符号を用いた分散インスタンス分割モデルのクラスについて検討する。 ロボットピッキングへの応用として,高い精度を実現するための信頼性マスク手法を提案する。 本手法は,新たにリリースした曖昧なシーンのデータセットを含め,ロボットシステムにおける致命的なエラーを著しく低減できることを示す。
  論文  参考訳（メタデータ） (2023-05-03T05:57:29Z)
• 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)
• Diagnosing failures of fairness transfer across distribution shift in real-world medical settings [60.44405686433434]
  分散シフト下でのモデルフェアネスの変化の診断と緩和は、医療環境における機械学習の安全な展開の重要な構成要素である。 この知識は、文献でしばしば想定されるよりも現実のシフトがより複雑である事例を含む、公平性伝達の失敗の診断に有効であることを示す。
  論文  参考訳（メタデータ） (2022-02-02T13:59:23Z)
• Tracking the risk of a deployed model and detecting harmful distribution shifts [105.27463615756733]
  実際には、デプロイされたモデルのパフォーマンスが大幅に低下しないという、良心的なシフトを無視することは理にかなっている。 我々は,警告を発射する有効な方法は,(a)良性な警告を無視しながら有害なシフトを検知し,(b)誤報率を増大させることなく,モデル性能の連続的なモニタリングを可能にすることを論じる。
  論文  参考訳（メタデータ） (2021-10-12T17:21:41Z)

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。