Human-machine knowledge hybrid augmentation method for surface defect detection based few-data learning

要約

タイトル: 少量のデータ学習に基づく表面欠陥検出のための人工知能と人間の知識の融合

要約:

– 工業品質管理において、視覚に基づく欠陥検出は重要だが困難なタスクである。
– 多くの主流の方法は、既存または関連するドメインデータを補助情報として使用することに頼っている。
– しかしながら、実際の産業生産では、多数のバッチで低容量の製造シナリオがあり、急速に変化するタスク要件があるため、十分で多様な欠陥データを得ることが難しい。
– この論文では人工知能と人間の知識の融合した増強方法を使用して、モデルが未知の重要な特徴を取り出すことを提案しています。
– つまり、異常を専門家の知識に組み込んで、豊富な特徴、位置、サイズ、背景を持つデータを作成し、初めから多量のデータを迅速に蓄積して、少量の学習データ学習の事前知識として提供することができます。
– 提案された方法は、磁性タイルデータセットで評価され、2、5、10、15のトレーニング画像を使用した場合のF1スコアがそれぞれ60.73％、70.82％、77.09％、82.81％であった。
– 伝統的な増強方法のF1スコア64.59％に比べ、提案された方法は最良の結果で18.22％の増加を達成し、少量データの工業欠陥検出におけるその実現可能性と有効性を示しています。

要約(オリジナル)

Visual-based defect detection is a crucial but challenging task in industrial quality control. Most mainstream methods rely on large amounts of existing or related domain data as auxiliary information. However, in actual industrial production, there are often multi-batch, low-volume manufacturing scenarios with rapidly changing task demands, making it difficult to obtain sufficient and diverse defect data. This paper proposes a parallel solution that uses a human-machine knowledge hybrid augmentation method to help the model extract unknown important features. Specifically, by incorporating experts’ knowledge of abnormality to create data with rich features, positions, sizes, and backgrounds, we can quickly accumulate an amount of data from scratch and provide it to the model as prior knowledge for few-data learning. The proposed method was evaluated on the magnetic tile dataset and achieved F1-scores of 60.73%, 70.82%, 77.09%, and 82.81% when using 2, 5, 10, and 15 training images, respectively. Compared to the traditional augmentation method’s F1-score of 64.59%, the proposed method achieved an 18.22% increase in the best result, demonstrating its feasibility and effectiveness in few-data industrial defect detection.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI