Ano-SuPs: Multi-size anomaly detection for manufactured products by identifying suspected patches

要約

画像ベースのシステムは、豊富な製造状況情報を提供できること、実装コストが低いこと、取得率が高いことなどから、人気を博している。しかし、画像背景の複雑さや様々な異常パターンは、既存の行列分解手法に新たな課題をもたらし、モデル化要件には不十分である。さらに、異常の不確実性は異常混入の問題を引き起こし、設計されたモデルと手法を外乱の影響を非常に受けやすくする。これらの課題に対処するために、我々は、疑わしいパッチ(Ano-SuPs)を特定することによって異常を検出する2段階戦略異常検出法を提案する。具体的には、入力画像を2回再構成することにより、異常パッチを検出することを提案する。第1段階は、疑わしいパッチを除去して正常パッチの集合を得ることであり、第2段階は、これらの正常パッチを用いて異常パッチの識別を精緻化することである。その有効性を実証するため、シミュレーション実験とケーススタディを通して提案手法を系統的に評価する。さらに、モデルの性能と効率に影響を与える主要なパラメータと設計ステップを特定した。

要約(オリジナル)

Image-based systems have gained popularity owing to their capacity to provide rich manufacturing status information, low implementation costs and high acquisition rates. However, the complexity of the image background and various anomaly patterns pose new challenges to existing matrix decomposition methods, which are inadequate for modeling requirements. Moreover, the uncertainty of the anomaly can cause anomaly contamination problems, making the designed model and method highly susceptible to external disturbances. To address these challenges, we propose a two-stage strategy anomaly detection method that detects anomalies by identifying suspected patches (Ano-SuPs). Specifically, we propose to detect the patches with anomalies by reconstructing the input image twice: the first step is to obtain a set of normal patches by removing those suspected patches, and the second step is to use those normal patches to refine the identification of the patches with anomalies. To demonstrate its effectiveness, we evaluate the proposed method systematically through simulation experiments and case studies. We further identified the key parameters and designed steps that impact the model’s performance and efficiency.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL