3D-CSAD: Untrained 3D Anomaly Detection for Complex Manufacturing Surfaces

要約

近年、3次元点群データに基づく製造部品の表面品質検査が注目を集めています。
その理由は、いくつかの主要な製品特性に焦点を当てていたこれまでの手法とは異なり、3D 点群は製造部品の表面全体をキャプチャできるためです。
ただし、製造部品の表面が複雑であり、十分な異常サンプルを収集することが難しいため、正確な 3D 異常検出を実現することは困難です。
これらの課題に対処するために、私たちは、複雑な製造部品の 3D 点群データに基づく、トレーニングされていない新しい異常検出方法を提案します。これにより、トレーニング データなしで単一サンプルで正確な異常検出を実現できます。
提案されたフレームワークでは、入力サンプルを異なる方向に沿った 2 セットのプロファイルに変換します。
プロファイルの 1 セットに基づいて、複雑な表面を複数の基本的で単純なコンポーネントにセグメント化する新しいセグメント化モジュールが考案されます。
各コンポーネントでは、同様の形状の性質を持つ別のプロファイルのセットを低ランクの行列としてモデル化できます。
したがって、これらの低ランク行列に対してロバスト主成分分析 (RPCA) を使用することで、正確な 3D 異常検出を実現できます。
さまざまな種類の部品に関する広範な数値実験により、ベンチマーク手法と比較して、私たちの手法が有望な結果を達成することが示されました。

要約(オリジナル)

The surface quality inspection of manufacturing parts based on 3D point cloud data has attracted increasing attention in recent years. The reason is that the 3D point cloud can capture the entire surface of manufacturing parts, unlike the previous practices that focus on some key product characteristics. However, achieving accurate 3D anomaly detection is challenging, due to the complex surfaces of manufacturing parts and the difficulty of collecting sufficient anomaly samples. To address these challenges, we propose a novel untrained anomaly detection method based on 3D point cloud data for complex manufacturing parts, which can achieve accurate anomaly detection in a single sample without training data. In the proposed framework, we transform an input sample into two sets of profiles along different directions. Based on one set of the profiles, a novel segmentation module is devised to segment the complex surface into multiple basic and simple components. In each component, another set of profiles, which have the nature of similar shapes, can be modeled as a low-rank matrix. Thus, accurate 3D anomaly detection can be achieved by using Robust Principal Component Analysis (RPCA) on these low-rank matrices. Extensive numerical experiments on different types of parts show that our method achieves promising results compared with the benchmark methods.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google