Supervised Anomaly Detection for Complex Industrial Images

要約

産業生産ラインにおける外観検査の自動化は、さまざまな業界で製品の品質を向上させるために不可欠です。
異常検出 (AD) 手法は、この目的のための強力なツールとして機能します。
ただし、既存の公開データセットは主に異常のない画像で構成されているため、運用環境での AD 手法の実際の適用は制限されています。
この課題に対処するために、(1) Valeo Anomaly Dataset (VAD) を紹介します。これは、20 を超えるサブクラスにわたる困難な実際の欠陥の 2000 件のインスタンスを含む、5000 枚の画像で構成される新しい現実世界の産業用データセットです。
従来の AD 手法ではこのデータセットに対応できないことを認識し、(2) セグメンテーションベースの異常検出器 (SegAD) を導入します。
まず、SegAD は異常マップとセグメンテーション マップを利用してローカル統計を計算します。
次に、SegAD はこれらの統計とオプションの教師あり分類子スコアをブースト ランダム フォレスト (BRF) 分類子の入力特徴として使用し、最終的な異常スコアを生成します。
当社の SegAD は、VAD (+2.1% AUROC) と VisA データセット (+0.4% AUROC) の両方で最先端のパフォーマンスを達成します。
コードとモデルは公開されています。

要約(オリジナル)

Automating visual inspection in industrial production lines is essential for increasing product quality across various industries. Anomaly detection (AD) methods serve as robust tools for this purpose. However, existing public datasets primarily consist of images without anomalies, limiting the practical application of AD methods in production settings. To address this challenge, we present (1) the Valeo Anomaly Dataset (VAD), a novel real-world industrial dataset comprising 5000 images, including 2000 instances of challenging real defects across more than 20 subclasses. Acknowledging that traditional AD methods struggle with this dataset, we introduce (2) Segmentation-based Anomaly Detector (SegAD). First, SegAD leverages anomaly maps as well as segmentation maps to compute local statistics. Next, SegAD uses these statistics and an optional supervised classifier score as input features for a Boosted Random Forest (BRF) classifier, yielding the final anomaly score. Our SegAD achieves state-of-the-art performance on both VAD (+2.1% AUROC) and the VisA dataset (+0.4% AUROC). The code and the models are publicly available.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google