Supervised Anomaly Detection Method Combining Generative Adversarial Networks and Three-Dimensional Data in Vehicle Inspections

要約

車両の床下機器の外観検査は、現在、人による目視検査が行われています。
本研究では、画像処理技術を用いた異常検査アルゴリズムの検討により、目視検査の一部自動化を試みます。
鉄道保守調査では異常データがほとんどない傾向があるため、通常、異常検出には教師なし学習法が好まれます。
ただし、トレーニングのコストと精度は依然として課題です。
また、研究者は通常の画像からノイズを加えるなどして異常画像を作成しましたが、今回対象とした異常は、ノイズでは作成が難しかった配管コックの回転です。
そこで、本研究では、3次元コンピュータグラフィックス上で敵対的生成ネットワークを介したスタイル変換を利用し、異常画像を模倣して教師あり学習に基づく異常検出を適用する新しい方法を提案します。
画像の変換には幾何学整合型スタイル変換モデルが用いられたため、異常な形状を維持したまま、画像の色や質感を実画像に近づけることに成功しました。
生成された異常画像を教師ありデータとして使用することで、異常検出モデルは複雑な調整なしで簡単にトレーニングでき、正常に異常を検出できます。

要約(オリジナル)

The external visual inspections of rolling stock’s underfloor equipment are currently being performed via human visual inspection. In this study, we attempt to partly automate visual inspection by investigating anomaly inspection algorithms that use image processing technology. As the railroad maintenance studies tend to have little anomaly data, unsupervised learning methods are usually preferred for anomaly detection; however, training cost and accuracy is still a challenge. Additionally, a researcher created anomalous images from normal images by adding noise, etc., but the anomalous targeted in this study is the rotation of piping cocks that was difficult to create using noise. Therefore, in this study, we propose a new method that uses style conversion via generative adversarial networks on three-dimensional computer graphics and imitates anomaly images to apply anomaly detection based on supervised learning. The geometry-consistent style conversion model was used to convert the image, and because of this the color and texture of the image were successfully made to imitate the real image while maintaining the anomalous shape. Using the generated anomaly images as supervised data, the anomaly detection model can be easily trained without complex adjustments and successfully detects anomalies.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google