Autoencoder-Based Visual Anomaly Localization for Manufacturing Quality Control

要約

製造業では、高品質の完成品を効率よく大量に生産することが求められる。インダストリー4.0の文脈では、視覚的な異常検知は、高精度で製品品質を自動制御するための楽観的なソリューションを提起している。一般的に、コンピュータ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ぐ有望なソリューションである。我々は、視覚的欠陥ローカライゼーションを改善するために、機械学習の最近の進歩を考慮したが、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特徴セットとデータベースを得ることには課題が残る。そこで本論文では、事前に訓練されたVGG16ネットワークから抽出された特徴量をk-meansでクラスタリングすることで、教師なしクラス選択を行う欠陥ローカライジングオートエンコーダを提案する。さらに、選択された欠陥のクラスは、人工的な欠陥をシミュレートするために、自然な野生のテクスチャで補強される。本研究は、製造業における欠陥検出を改善するための、教師なしクラス選択を用いた欠陥位置特定オートエンコーダの有効性を実証する。提案された手法は、家具産業用のメラミン化粧板の品質欠陥の正確で正確な位置特定という有望な結果を示している。人工欠陥を学習データに組み込むことで、実世界の品質管理シナリオで実用化できる可能性を示している。

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 controlled product quality with high precision. In general, automation based on computer vision is 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. Hence, this paper proposes a defect localizing autoencoder with unsupervised class selection by clustering with k-means the features extracted from a pre-trained VGG16 network. Moreover, 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, DeepL