Image-Pointcloud Fusion based Anomaly Detection using PD-REAL Dataset

要約

我々は、3D ドメインにおける教師なし異常検出 (AD) のための新しい大規模データセットである PD-REAL を紹介します。
これは、AD タスクの 2D のみの表現では、照明条件や撮影角度の不確実性により、異常の幾何学的構造を捕捉できない可能性があるという事実によって動機付けられています。
PD-REAL は、15 のオブジェクト カテゴリの Play-Doh モデルのみで構成されており、制御された環境における 3D 情報から得られる潜在的な利点の分析に焦点を当てています。
具体的には、まず、へこみ、亀裂、穴などの 6 種類の異常を備えたオブジェクトが作成され、次に、現実世界の検査シナリオを模倣するために、さまざまな照明条件下で写真が撮影されます。
3D 情報の有用性を実証するために、市販の RealSense カメラを使用して RGB および深度画像をキャプチャします。
AD タスク用の既存の 3D データセットと比較して、PD-REAL のデータ取得は大幅に安価で、拡張が容易で、変数の制御も容易です。
当社のデータセットに対する最先端の AD アルゴリズムによる広範な評価により、3D 情報を使用する利点と課題が実証されました。
データセットは https://github.com/Andy-cs008/PD-REAL からダウンロードできます。

要約(オリジナル)

We present PD-REAL, a novel large-scale dataset for unsupervised anomaly detection (AD) in the 3D domain. It is motivated by the fact that 2D-only representations in the AD task may fail to capture the geometric structures of anomalies due to uncertainty in lighting conditions or shooting angles. PD-REAL consists entirely of Play-Doh models for 15 object categories and focuses on the analysis of potential benefits from 3D information in a controlled environment. Specifically, objects are first created with six types of anomalies, such as dent, crack, or perforation, and then photographed under different lighting conditions to mimic real-world inspection scenarios. To demonstrate the usefulness of 3D information, we use a commercially available RealSense camera to capture RGB and depth images. Compared to the existing 3D dataset for AD tasks, the data acquisition of PD-REAL is significantly cheaper, easily scalable and easier to control variables. Extensive evaluations with state-of-the-art AD algorithms on our dataset demonstrate the benefits as well as challenges of using 3D information. Our dataset can be downloaded from https://github.com/Andy-cs008/PD-REAL

arxiv情報

提供元, 利用サービス

arxiv.jp, Google