Manufacturing Quality Control with Autoencoder-Based Defect Localization and Unsupervised Class Selection

要約

製造業では、高品質の完成品を効率的かつ大量に生産する必要があります。
インダストリー 4.0 の文脈では、視覚的な異常検出は、製品の品質を高精度で自動的に制御するための楽観的なソリューションをもたらします。
コンピューター ビジョンに基づく自動化は、製品品質チェックポイントでのボトルネックを防止する有望なソリューションとなります。
視覚的な欠陥の位置特定を改善するために機械学習の最近の進歩を検討しましたが、生産ラインで発生する多種多様な欠陥のバランスの取れた機能セットとデータベースを取得するという課題は依然として残っています。
この論文では、事前トレーニングされた VGG-16 ネットワークから抽出された特徴を k 平均法でクラスタリングすることにより、教師なしクラス選択を行う欠陥位置特定オートエンコーダーを提案します。
選択されたクラスの欠陥は、人工的な欠陥をシミュレートするために自然のワイルド テクスチャで強化されます。
この研究では、製造業における欠陥検出を向上させるための教師なしクラス選択による欠陥位置特定オートエンコーダの有効性を実証しています。
提案された方法論は、家具産業向けのメラミン化粧ボード上の品質欠陥の正確かつ正確な位置特定で有望な結果を示しています。
人為的な欠陥をトレーニング データに組み込むことは、現実世界の品質管理シナリオで実用化できる大きな可能性を示しています。

要約(オリジナル)

Manufacturing industries require efficient and voluminous production of high-quality finished goods. In the context of Industry 4.0, visual anomaly detection poses an optimistic solution for automatically controlling product quality with high precision. Automation based on computer vision poses a promising solution to prevent bottlenecks at the product quality checkpoint. We considered recent advancements in machine learning to improve visual defect localization, but challenges persist in obtaining a balanced feature set and database of the wide variety of defects occurring in the production line. This paper proposes a defect localizing autoencoder with unsupervised class selection by clustering with k-means the features extracted from a pre-trained VGG-16 network. The selected classes of defects are augmented with natural wild textures to simulate artificial defects. The study demonstrates the effectiveness of the defect localizing autoencoder with unsupervised class selection for improving defect detection in manufacturing industries. The proposed methodology shows promising results with precise and accurate localization of quality defects on melamine-faced boards for the furniture industry. Incorporating artificial defects into the training data shows significant potential for practical implementation in real-world quality control scenarios.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google