Component-aware anomaly detection framework for adjustable and logical industrial visual inspection

要約

工業用外観検査は、製造プロセス中に製品の表面欠陥を検出することを目的としています。
既存の異常検出モデルは多くの公開ベンチマークで優れたパフォーマンスを示していますが、調整機能と論理異常を検出する能力が限られているため、現実の環境での広範な使用が妨げられています。
この目的を達成するために、この論文では、産業シナリオ向けに調整可能で論理的な異常検出を同時に実現できる、新しいコンポーネント認識型異常検出フレームワーク (ComAD) を提案します。
具体的には、軽量でトレーニングがほとんど不要な教師なしセマンティック セグメンテーション モデルに基づいて、画像を複数のコンポーネントにセグメント化することを提案します。
次に、各コンポーネントの計測学的特徴とその関係をモデル化することで、解釈可能な論理異常検出モデルを設計します。
そのシンプルさにもかかわらず、私たちのフレームワークはイメージレベルの論理異常検出において最先端のパフォーマンスを実現します。
一方、製品画像を複数のコンポーネントに分割することは、工業用外観検査に新しい視点を提供し、モデルのカスタマイズ、ノイズ耐性、異常分類において大きな可能性を実証します。
コードは https://github.com/liutongkun/ComAD で入手できます。

要約(オリジナル)

Industrial visual inspection aims at detecting surface defects in products during the manufacturing process. Although existing anomaly detection models have shown great performance on many public benchmarks, their limited adjustability and ability to detect logical anomalies hinder their broader use in real-world settings. To this end, in this paper, we propose a novel component-aware anomaly detection framework (ComAD) which can simultaneously achieve adjustable and logical anomaly detection for industrial scenarios. Specifically, we propose to segment images into multiple components based on a lightweight and nearly training-free unsupervised semantic segmentation model. Then, we design an interpretable logical anomaly detection model through modeling the metrological features of each component and their relationships. Despite its simplicity, our framework achieves state-of-the-art performance on image-level logical anomaly detection. Meanwhile, segmenting a product image into multiple components provides a novel perspective for industrial visual inspection, demonstrating great potential in model customization, noise resistance, and anomaly classification. The code will be available at https://github.com/liutongkun/ComAD.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google