Self-Supervised Iterative Refinement for Anomaly Detection in Industrial Quality Control

要約

本研究では、ロバストな異常検出手法である反復的精密化プロセス（IRP）を紹介する。IRPは、周期的なデータ精密化戦略を通じて欠陥検出精度を向上させ、モデルの性能とロバスト性を向上させるために誤解を招くデータ点を繰り返し除去する。我々は、Kolektor SDD2 (KSDD2)とMVTec ADの2つのベンチマークデータセットを用いてIRPの有効性を検証した。我々の実験結果は、IRPが、特にノイズレベルの高い環境において、従来の異常検知モデルを常に凌駕していることを示している。この研究は、IRPが産業環境における異常検出プロセスを大幅に強化し、スパースでノイズの多いデータの課題を効果的に管理できる可能性を強調している。

要約(オリジナル)

This study introduces the Iterative Refinement Process (IRP), a robust anomaly detection methodology designed for high-stakes industrial quality control. The IRP enhances defect detection accuracy through a cyclic data refinement strategy, iteratively removing misleading data points to improve model performance and robustness. We validate the IRP’s effectiveness using two benchmark datasets, Kolektor SDD2 (KSDD2) and MVTec AD, covering a wide range of industrial products and defect types. Our experimental results demonstrate that the IRP consistently outperforms traditional anomaly detection models, particularly in environments with high noise levels. This study highlights the IRP’s potential to significantly enhance anomaly detection processes in industrial settings, effectively managing the challenges of sparse and noisy data.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL