Sequential PatchCore: Anomaly Detection for Surface Inspection using Synthetic Impurities

要約

表面の不純物 (水の汚れ、指紋、ステッカーなど) の出現は、自動外観検査システムの劣化を引き起こすよく指摘される問題です。
同時に、視覚的表面検査のための合成データ生成技術は、主に不純物を無視して完全なサンプルと欠陥を生成することに焦点を当ててきました。
この研究は、合成データを生成する際に不純物を考慮することの重要性を強調しています。
合成データにフォトリアリスティックな水の汚れを含める手順的な方法を紹介します。
合成データセットは実際のデータセットに対応するように生成され、さらに異常検出モデルのトレーニングや水汚れの影響の調査に使用されます。
表面検査に使用される高解像度画像は、異常検出トレーニング中にメモリのボトルネックを引き起こします。
これに対処するために、Sequential PatchCore を導入します。これは、コアセットを順番に構築し、消費者グレードのハードウェアを使用して大きなイメージでのトレーニングを扱いやすくする方法です。
これにより、異なるデータセット バージョンで事前トレーニングされたコアセットを使用して転移学習を実行できるようになります。
私たちの結果は、明示的なコアセット異常モデルの事前トレーニングに合成データを使用する利点と、実際のデータを使用してコアセットを微調整することによる拡張されたパフォーマンスの利点を示しています。
私たちは、不純物とラベルの曖昧さがモデルのパフォーマンスをどのように低下​​させるかを観察し、モデルのパフォーマンスについて産業的に適切な観点を提供するために欠陥ごとのリコールを追加で報告しました。

要約(オリジナル)

The appearance of surface impurities (e.g., water stains, fingerprints, stickers) is an often-mentioned issue that causes degradation of automated visual inspection systems. At the same time, synthetic data generation techniques for visual surface inspection have focused primarily on generating perfect examples and defects, disregarding impurities. This study highlights the importance of considering impurities when generating synthetic data. We introduce a procedural method to include photorealistic water stains in synthetic data. The synthetic datasets are generated to correspond to real datasets and are further used to train an anomaly detection model and investigate the influence of water stains. The high-resolution images used for surface inspection lead to memory bottlenecks during anomaly detection training. To address this, we introduce Sequential PatchCore – a method to build coresets sequentially and make training on large images using consumer-grade hardware tractable. This allows us to perform transfer learning using coresets pre-trained on different dataset versions. Our results show the benefits of using synthetic data for pre-training an explicit coreset anomaly model and the extended performance benefits of finetuning the coreset using real data. We observed how the impurities and labelling ambiguity lower the model performance and have additionally reported the defect-wise recall to provide an industrially relevant perspective on model performance.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google