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

要約

タイトル：少数データ学習に基づく表面欠陥検出のための人間‐機械知識ハイブリッド増強法

要約：

– 工業品の品質管理において視覚に基づく欠陥検出は重要ですが、困難なタスクです。
– 大規模な既存または関連データを補助情報として使用する主流の方法がありますが、現実の工業生産では、タスクの要求が急速に変化する多数の小ロット製造シナリオが頻繁に発生するため、十分で多様な欠陥データを収集することが困難です。
– この論文は、人間‐機械知識ハイブリッド増強法を使用して、モデルが未知の重要な特徴を抽出するのに役立つ並列の解決策を提供します。
– 具体的には、異常の専門家の知識を取り込んで特徴、位置、サイズ、および背景が豊富なデータを作成することで、スクラッチから多量のデータを素早く蓄積し、少数データ学習の前提知識としてモデルに提供します。
– この提案手法は、磁気タイルデータセットで評価され、2、5、10、および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％、および82.81％に達しました。
– 従来の増強方法のF1スコアが64.59％であるのに対し、提案された方法は最良の結果で18.22％の改善を達成し、工業用欠陥検出において少数データ学習の実現が可能であり、効果があることを示しました。

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