Distillation-based fabric anomaly detection

要約

教師なしテクスチャ異常検出は、膨大な量の産業プロセスにおいて重要なトピックである。パターン化されたテクスチャの検査、特に生地の欠陥検出は、実際に広く遭遇するユースケースである。このタスクでは、多様な色と織物の種類を扱う必要があり、広範な生地が含まれます。色、テクスチャ、欠陥のタイプにおける広範なばらつきを考慮すると、布地の欠陥検出は、パターン化されたテクスチャ検査の分野において複雑で困難な問題を提起している。この論文では、織物に似たテクスチャの教師なし異常検出の課題に取り組むために特別に調整された知識蒸留ベースのアプローチを提案する。我々の手法は、分類器のバイアスを緩和し、生徒が異常を再構築するのを防ぐためにエンコーダ・デコーダの設計を提唱する、最近導入された逆蒸留アプローチを再定義することを目的としている。本研究では、生地の欠陥検出という特殊なタスクのための新しい逆蒸留技術を提示する。我々のアプローチは、高レベルの特徴を戦略的に強調する綿密な設計選択を含む。性能と推論速度の両面で本アプローチの能力を実証するために、我々はMVTEC AD、AITEX、TILDAを含む複数のテクスチャデータセットで一連の実験を行い、さらに繊維製造施設から取得したデータセットでも実験を行った。本論文の主な貢献は以下の通りである：異常検出と領域汎化の両方に適した逆知識蒸留技術を利用した頑健なテクスチャ異常検出器と、多様な生地と欠陥を包含する新しいデータセットである。

要約(オリジナル)

Unsupervised texture anomaly detection has been a concerning topic in a vast amount of industrial processes. Patterned textures inspection, particularly in the context of fabric defect detection, is indeed a widely encountered use case. This task involves handling a diverse spectrum of colors and textile types, encompassing a wide range of fabrics. Given the extensive variability in colors, textures, and defect types, fabric defect detection poses a complex and challenging problem in the field of patterned textures inspection. In this article, we propose a knowledge distillation-based approach tailored specifically for addressing the challenge of unsupervised anomaly detection in textures resembling fabrics. Our method aims to redefine the recently introduced reverse distillation approach, which advocates for an encoder-decoder design to mitigate classifier bias and to prevent the student from reconstructing anomalies. In this study, we present a new reverse distillation technique for the specific task of fabric defect detection. Our approach involves a meticulous design selection that strategically highlights high-level features. To demonstrate the capabilities of our approach both in terms of performance and inference speed, we conducted a series of experiments on multiple texture datasets, including MVTEC AD, AITEX, and TILDA, alongside conducting experiments on a dataset acquired from a textile manufacturing facility. The main contributions of this paper are the following: a robust texture anomaly detector utilizing a reverse knowledge-distillation technique suitable for both anomaly detection and domain generalization and a novel dataset encompassing a diverse range of fabrics and defects.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL