Online-Adaptive Anomaly Detection for Defect Identification in Aircraft Assembly

要約

異常検出は、データ内の確立されたパターンからの逸脱を検出することを扱います。
自動運転、予知保全、医療診断など、さまざまな用途に応用できます。
異常検出の精度を向上させるために、転移学習を大規模な事前トレーニング済みモデルに適用し、特定のアプリケーション コンテキストに適応させることができます。
この論文では、転移学習を使用したオンライン適応型異常検出のための新しいフレームワークを提案します。
このアプローチは、視覚的に類似したトレーニング画像を選択し、トレーニング サブセットから抽出された EfficientNet 特徴に正規性モデルをオンラインでフィッティングすることで、さまざまな環境に適応します。
次に、正規性モデルとテスト画像特徴の間のマハラノビス距離を計算することにより、異常検出が実行されます。
さまざまな類似性尺度 (SIFT/FLANN、コサイン) と正規性モデル (MVG、OCSVM) が使用され、相互に比較されます。
私たちは、さまざまな異常検出ベンチマークと、管理された実験室設定で収集されたデータに基づいてアプローチを評価します。
実験結果では、0.975 を超える検出精度が示されており、最先端の ET-NET アプローチを上回っています。

要約(オリジナル)

Anomaly detection deals with detecting deviations from established patterns within data. It has various applications like autonomous driving, predictive maintenance, and medical diagnosis. To improve anomaly detection accuracy, transfer learning can be applied to large, pre-trained models and adapt them to the specific application context. In this paper, we propose a novel framework for online-adaptive anomaly detection using transfer learning. The approach adapts to different environments by selecting visually similar training images and online fitting a normality model to EfficientNet features extracted from the training subset. Anomaly detection is then performed by computing the Mahalanobis distance between the normality model and the test image features. Different similarity measures (SIFT/FLANN, Cosine) and normality models (MVG, OCSVM) are employed and compared with each other. We evaluate the approach on different anomaly detection benchmarks and data collected in controlled laboratory settings. Experimental results showcase a detection accuracy exceeding 0.975, outperforming the state-of-the-art ET-NET approach.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google