AssemAI: Interpretable Image-Based Anomaly Detection for Manufacturing Pipelines

要約

製造パイプラインにおける異常検出は依然として重要な課題であり、産業環境の複雑さと変動によってさらに深刻化しています。
このペーパーでは、スマート製造パイプライン向けにカスタマイズされた、解釈可能な画像ベースの異常検出システムである AssemAI を紹介します。
業界に焦点を当てたロケット組立パイプラインから厳選された画像データセットを利用して、不均衡な画像データの課題に対処し、異常検出における画像ベースの手法の重要性を実証します。
私たちの主な貢献には、画像データセットの導出、物体検出モデル YOLO-FF の微調整、アセンブリ パイプライン用のカスタム異常検出モデルの実装が含まれます。
提案されたアプローチは、データの準備、モデルの開発、および推論においてドメインの知識を活用します。
畳み込みニューラル ネットワーク、ビジョン トランスフォーマー (ViT)、およびこれらのモデルの事前トレーニングされたバージョンを含む、派生画像データセットにいくつかの異常検出モデルを実装します。
さらに、ユーザー レベルの説明にはオントロジーを、詳細な機能とモデルの分析には SCORE-CAM を利用して、ユーザー レベルとモデル レベルの両方で説明可能性テクニックを組み込みます。
最後に、最高のパフォーマンスの異常検出モデルと YOLO-FF がリアルタイム設定で導入されます。
私たちの結果には、ベースラインに関するアブレーション研究と、提案されたシステムの包括的な評価が含まれます。
この研究は、スマート製造プロセスの信頼性と効率の向上における、高度な画像ベースの異常検出の広範な影響を浮き彫りにしています。
画像データセット、結果を再現するコード、追加の実験は https://github.com/renjithk4/AssemAI で入手できます。

要約(オリジナル)

Anomaly detection in manufacturing pipelines remains a critical challenge, intensified by the complexity and variability of industrial environments. This paper introduces AssemAI, an interpretable image-based anomaly detection system tailored for smart manufacturing pipelines. Utilizing a curated image dataset from an industry-focused rocket assembly pipeline, we address the challenge of imbalanced image data and demonstrate the importance of image-based methods in anomaly detection. Our primary contributions include deriving an image dataset, fine-tuning an object detection model YOLO-FF, and implementing a custom anomaly detection model for assembly pipelines. The proposed approach leverages domain knowledge in data preparation, model development and reasoning. We implement several anomaly detection models on the derived image dataset, including a Convolutional Neural Network, Vision Transformer (ViT), and pre-trained versions of these models. Additionally, we incorporate explainability techniques at both user and model levels, utilizing ontology for user-level explanations and SCORE-CAM for in-depth feature and model analysis. Finally, the best-performing anomaly detection model and YOLO-FF are deployed in a real-time setting. Our results include ablation studies on the baselines and a comprehensive evaluation of the proposed system. This work highlights the broader impact of advanced image-based anomaly detection in enhancing the reliability and efficiency of smart manufacturing processes. The image dataset, codes to reproduce the results and additional experiments are available at https://github.com/renjithk4/AssemAI.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google