論文の概要: Trustworthy Visual Quality Inspection under Data Scarcity in Manufacturing
- arxiv url: http://arxiv.org/abs/2608.21967v1
- Date: Sat, 22 Aug 2026 14:11:04 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-25 13:29:43.54446
- Title: Trustworthy Visual Quality Inspection under Data Scarcity in Manufacturing
- Title（参考訳）: 製造におけるデータスカシティの下での信頼性の高い視品質検査
- Abstract要約: 製造における視覚検査の自動化は、遅くて一貫性のない手動チェックを置き換えることを目的としている。
経済価値は、その決定が定期検査を自動化するのに十分信頼できるかどうかに依存する。
- 参考スコア（独自算出の注目度）: 1.282788087612025
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Automated visual inspection in manufacturing aims to replace slow and inconsistent manual checks, but its economic value depends on whether its decisions can be trusted enough to automate routine inspection while reserving human expertise for ambiguous cases. In production-line settings, defective samples are scarce, since the process is optimized to produce good parts, which limits any learning-based inspector trained on real data alone. Compounding this, defect decisions emitted as hard labels with no confidence estimate carry an asymmetric cost: a false reject wastes a good product, while a false accept may increase the risk of undetected defects progressing through the production process. We address both problems by mitigating data scarcity through the generation of synthetic defective samples with a diffusion model, and meeting the need for confidence-aware decisions with a Bayesian classifier that defers ambiguous units to human review rather than misclassifying them. These components are embedded in a staged pipeline of successive, complementary checks. We evaluate how synthetic augmentation affects classification and localization on a test set of real defects, and examine the system's trustworthiness at three points: the decision, the synthetic data, and the pipeline structure. This work-in-progress reports preliminary results suggesting that diffusion-generated defects, combined with uncertainty-aware classification, can lower the cost of reaching a trustworthy, deployable inspection model under data scarcity.
- Abstract（参考訳）: 製造における視覚検査の自動化は、遅くて一貫性のない手動検査を置き換えることを目的としているが、その経済的な価値は、不明瞭なケースに対する人間の専門性を保ちながら、定期検査を自動化するのに十分な信頼性があるかどうかにかかっている。
実データだけでトレーニングされた学習ベースのインスペクタを制限するため、生産ライン設定では、プロセスが優れたパーツを生成するように最適化されているため、欠陥のあるサンプルは少ない。
偽の拒絶は良い製品を無駄にしますが、偽の受け入れは、生産プロセスを通じて未検出の欠陥が進行するリスクを増大させます。
拡散モデルを用いた合成欠陥サンプルの生成によるデータ不足の軽減と、それらを誤分類するのではなく、不明瞭なユニットを人間のレビューに用いたベイズ分類器による信頼性に配慮した決定の必要性を満たすことにより、双方の問題に対処する。
これらのコンポーネントは、連続した補完的なチェックのステージ化されたパイプラインに埋め込まれる。
本研究は,合成オーバメンテーションが実欠陥のテストセットの分類とローカライゼーションにどのように影響するかを評価し,システムの信頼性を決定,合成データ,パイプライン構造という3つの点で検証する。
このワーク・イン・プログレス・レポートは、拡散生成欠陥と不確実性認識の分類が組み合わさって、データ不足下で信頼性の高いデプロイ可能な検査モデルに到達するコストを下げる可能性を示唆している。
関連論文リスト
- Local Violation Certification for Linear Predict-Then-Optimize Pipelines [0.0]
入力不確実性下での線形決定パイプラインに特化して設計された局所的違反認定のための枠組みを提案する。
我々は,標準サンプリング手法が稀な違反に対して効率よく失敗することを数学的に証明し,直接的な構造的アプローチの動機付けを行う。
我々は,排出規制の対象となる経済力派遣システムへのアプローチを実証し,正確な監査可能なリスク評価を提供する。
論文 参考訳（メタデータ） (2026-08-05T05:58:06Z) - Conformal Changepoint Localization and Root Cause Analysis with Corrupted Observations [55.76952683833966]
本稿では,データ破損時の信頼性設定サイズを低減するために,重み付きCONCH(W-CONCH)と重み付きCROC(W-CROC)を提案する。
画像ベースおよび実世界の変化点と根本原因ベンチマークの実験は、不確実性ベースの重み付けが信頼性セットのサイズを大幅に減少させることを示している。
論文 参考訳（メタデータ） (2026-07-29T05:16:59Z) - LiveFMBench: Unveiling the Power and Limits of Agentic Workflows in Specification Generation [75.05397479715576]
大規模言語モデル(LLM)とエージェントは有望な進歩を示しているが、その真の能力と失敗モードは未だ不明である。
CプログラムのためのLCMおよびエージェントベースの形式仕様生成に関する、最初の体系的および汚染に配慮した研究を提案する。
論文 参考訳（メタデータ） (2026-05-02T11:31:33Z) - Conformal Data Contamination Tests for Trading or Sharing of Data [28.020738753027043]
多くの機械学習タスクにおける品質データの量は、データ所有者がローカルに利用できるものに限られる。
本稿では,モデルパーソナライズに最も有用な外部データエージェントを識別する分散フリーな汚染対応データ共有フレームワークを提案する。
論文 参考訳（メタデータ） (2025-07-18T11:44:42Z) - Conformal Segmentation in Industrial Surface Defect Detection with Statistical Guarantees [2.0257616108612373]
工業環境では、鋼の表面欠陥はサービス寿命を著しく損なうことができ、潜在的な安全リスクを高めることができる。
従来の欠陥検出手法は主に手動検査に依存しており、これは低効率と高コストに悩まされている。
ユーザ定義のリスクレベルに基づいて統計的に厳密なしきい値を作成し、テスト画像の高確率欠陥画素を同定する。
種々のキャリブレーションとテストの比率で予測されるテストセット誤差率に対する頑健かつ効率的な制御を実証する。
論文 参考訳（メタデータ） (2025-04-24T16:33:56Z) - TrustLoRA: Low-Rank Adaptation for Failure Detection under Out-of-distribution Data [62.22804234013273]
本稿では,共変量および意味的シフトの両条件下での拒絶による分類を統一し,促進する,単純な故障検出フレームワークを提案する。
キーとなる洞察は、障害固有の信頼性知識を低ランクアダプタで分離し、統合することにより、障害検出能力を効果的かつ柔軟に向上できるということです。
論文 参考訳（メタデータ） (2025-04-20T09:20:55Z) - ISP-AD: A Large-Scale Real-World Dataset for Advancing Industrial Anomaly Detection with Synthetic and Real Defects [0.0]
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。
実験により、少量の注入でも弱いラベル付き実欠陥が一般化を改善することが示されている。
論文 参考訳（メタデータ） (2025-03-06T21:56:31Z) - Trimming the Risk: Towards Reliable Continuous Training for Deep Learning Inspection Systems [10.121053770426759]
産業は、製造検査に深層学習(DL)技術にますます依存している。
有限ラベル付きデータセットは 自然の変化を 包含しないことが多い
我々は,信頼性の高いデータ選択を用いてDLモデルを更新する,頑健なCTベースのメンテナンス手法を開発した。
論文 参考訳（メタデータ） (2024-09-13T15:02:13Z) - Reliability-Aware Prediction via Uncertainty Learning for Person Image
Retrieval [51.83967175585896]
UALは、データ不確実性とモデル不確実性を同時に考慮し、信頼性に配慮した予測を提供することを目的としている。
データ不確実性はサンプル固有のノイズを捕捉する」一方、モデル不確実性はサンプルの予測に対するモデルの信頼を表現している。
論文 参考訳（メタデータ） (2022-10-24T17:53:20Z) - 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) - 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。