An Incremental Unified Framework for Small Defect Inspection

要約

人工知能 (AI) を活用した欠陥検査は、工業生産において極めて重要です。
しかし、特定のパイプラインに合わせて調整された多くの方法は、多様な製品ポートフォリオと進化するプロセスに対処しています。
これに対処するために、パイプラインに新しいオブジェクトを継続的に統合するときに機能競合の問題を軽減できる、オブジェクト増分学習シナリオで有利になる Incremental Unified Framework (IUF) を紹介します。
最先端のトランスフォーマーを使用して、明確なセマンティック境界を描写する Object-Aware Self-Attention (OASA) を導入します。
セマンティック圧縮損失 (SCL) は、非プライマリ セマンティック スペースを最適化するために統合されており、新しいオブジェクトに対するネットワークの適応性が強化されています。
さらに、ウェイト更新中に確立されたオブジェクトの特徴を保持することを優先します。
画像レベルとピクセルレベルの欠陥検査の両方で優れた能力を実証する当社のアプローチは、最先端のパフォーマンスを実現し、動的でスケーラブルな工業用検査に不可欠であることが証明されています。
私たちのコードは https://github.com/jqtangust/IUF でリリースされます。

要約(オリジナル)

Artificial Intelligence (AI)-driven defect inspection is pivotal in industrial manufacturing. Yet, many methods, tailored to specific pipelines, grapple with diverse product portfolios and evolving processes. Addressing this, we present the Incremental Unified Framework (IUF) that can reduce the feature conflict problem when continuously integrating new objects in the pipeline, making it advantageous in object-incremental learning scenarios. Employing a state-of-the-art transformer, we introduce Object-Aware Self-Attention (OASA) to delineate distinct semantic boundaries. Semantic Compression Loss (SCL) is integrated to optimize non-primary semantic space, enhancing network adaptability for novel objects. Additionally, we prioritize retaining the features of established objects during weight updates. Demonstrating prowess in both image and pixel-level defect inspection, our approach achieves state-of-the-art performance, proving indispensable for dynamic and scalable industrial inspections. Our code will be released at https://github.com/jqtangust/IUF.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google