A Novel Strategy for Improving Robustness in Computer Vision Manufacturing Defect Detection

要約

高性能製造における目視品質検査は、コスト削減と厳密性の向上により自動化の恩恵を受けることができます。
深層学習技術は、分類や物体検出などの一般的なコンピューター ビジョン タスクに対する現在の最先端技術です。
データの反復性が高く、学習対象となる欠陥や逸脱の画像がほとんどないため、製造データはディープ ラーニングにとって課題となる可能性があります。
このようなデータを使用してトレーニングされた深層学習モデルは脆弱でコンテキストに敏感な可能性があり、トレーニング データでは見つからない新しい欠陥が検出されにくい可能性があります。
この研究では、新しい状況で欠陥が検出される可能性が高くなるように、コンテキストに関係なく特定の欠陥を学習するトレーニング欠陥検出モデルを検討します。
共通の欠陥タイプを含むさまざまな画像でトレーニングされたモデルが、新しい状況でどのように欠陥を特定できるかを示します。
このような汎用モデルは、トレーニング用に収集されたデータでは見つからなかった新たな欠陥に対してより堅牢になる可能性があり、生産ラインで目視検査を実施する際のデータ収集の障害を軽減できます。
さらに、ラベルと境界ボックスを予測するようにトレーニングされた物体検出モデルが、製造検査タスクに典型的なテスト データのみでラベルを予測する分類器よりも優れたパフォーマンスを発揮することを示します。
最後に、より広範囲の条件下で機能するモデルをトレーニングするために、一般化に影響を与える要因を研究しました。

要約(オリジナル)

Visual quality inspection in high performance manufacturing can benefit from automation, due to cost savings and improved rigor. Deep learning techniques are the current state of the art for generic computer vision tasks like classification and object detection. Manufacturing data can pose a challenge for deep learning because data is highly repetitive and there are few images of defects or deviations to learn from. Deep learning models trained with such data can be fragile and sensitive to context, and can under-detect new defects not found in the training data. In this work, we explore training defect detection models to learn specific defects out of context, so that they are more likely to be detected in new situations. We demonstrate how models trained on diverse images containing a common defect type can pick defects out in new circumstances. Such generic models could be more robust to new defects not found data collected for training, and can reduce data collection impediments to implementing visual inspection on production lines. Additionally, we demonstrate that object detection models trained to predict a label and bounding box outperform classifiers that predict a label only on held out test data typical of manufacturing inspection tasks. Finally, we studied the factors that affect generalization in order to train models that work under a wider range of conditions.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google