Image-based Novel Fault Detection with Deep Learning Classifiers using Hierarchical Labels

要約

最新の障害分類システムの重要な特徴の 1 つは、これまで見たことのない種類の障害に直面したときにシステムにフラグを立てる機能です。
この研究では、ディープ ニューラル ネットワーク ベースの障害分類器の未知の障害検出機能を検討します。
具体的には、モデルのパフォーマンスを犠牲にすることなく、未知の故障検出パフォーマンスを向上させるために、故障分類に関するラベルが利用可能な場合にどのように使用できるかに関する方法論を提案します。
これを達成するために、私たちはソフトラベル技術を利用して、トレーニングプロセス中の最先端の深層新規障害検出技術と、オンライン新規障害検出のための階層的に一貫した新しい検出統計を改善することを提案します。
最後に、熱間鋼圧延プロセスの検査画像における新しい欠陥検出の検出パフォーマンスの向上を実証し、結果は複数のシナリオとベースライン検出方法でよく再現されました。

要約(オリジナル)

One important characteristic of modern fault classification systems is the ability to flag the system when faced with previously unseen fault types. This work considers the unknown fault detection capabilities of deep neural network-based fault classifiers. Specifically, we propose a methodology on how, when available, labels regarding the fault taxonomy can be used to increase unknown fault detection performance without sacrificing model performance. To achieve this, we propose to utilize soft label techniques to improve the state-of-the-art deep novel fault detection techniques during the training process and novel hierarchically consistent detection statistics for online novel fault detection. Finally, we demonstrated increased detection performance on novel fault detection in inspection images from the hot steel rolling process, with results well replicated across multiple scenarios and baseline detection methods.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google