「Defect Spectrum」は、従来の欠陥検出の限界を打ち破り、超高精度かつ豊富なセマンティックな産業用欠陥検出を初めて実現します。

現代の製造において、正確な欠陥検出は製品の品​​質を確保するための鍵であるだけでなく、生産効率を向上させるための中核でもあります。ただし、既存の欠陥検出データセットには、実際のアプリケーションに必要な精度や意味論的な豊富さが欠けていることが多く、その結果、モデルが特定の欠陥カテゴリや位置を識別できなくなります。

この問題を解決するために、広州香港科技大学と Simou Technology で構成されるトップの研究チームは、工業欠陥の詳細かつ意味論的に豊富な大規模な注釈を提供する「欠陥スペクトル」データセットを革新的に開発しました。表 1 に示すように、他の産業用データ セットと比較して、「欠陥スペクトル」データ セットは、最も多くの欠陥注釈 (5438 個の欠陥サンプル)、最も詳細な欠陥分類 (125 個の欠陥カテゴリ) を提供し、さまざまなタイプの欠陥を提供します。ピクセルレベルの詳細なラベルを提供します。さらに、このデータセットは、各欠陥サンプルの詳細な言語的説明も提供します。特定のアノテーションの比較を図 1 に示します。

図 1: 他の産業用データセットと比較して、欠陥スペクトルは精度が高く、注釈が豊富です

表 1: 欠陥スペクトルと他の既存のデータセットの量と性質の比較

「欠陥スペクトル」 「」では、最先端の拡散モデルに基づいた革新的なアプローチ「DefectGen」を導入しています。この方法は、非常に少量の工業用欠陥データを使用して画像とピクセルレベルの欠陥ラベルを生成することにより、工業用欠陥検出モデルのパフォーマンスを大幅に向上させ、複数の業界標準データセット (MVTec AD、VISION、DAGM2007 など) に実装されています。コットン生地) 前例のない画期的なパフォーマンス。

この画期的な研究は、欠陥検出の精度を大幅に向上させるだけでなく、複雑な産業環境における AI の応用の新たな可能性を切り開きます。プロジェクトのコードとモデルは完全にオープンソースです。

• 論文: 欠陥スペクトル: 豊富なセマンティクスを備えた大規模欠陥データセットの詳細な外観
• 論文リンク:https://www.php.cn/link/136aa7fe7fd745073fec3fb4ef67e3b9
• プロジェクトリンク: https: //envision-research.github.io/Defect_Spectrum/
• Github リポジトリ: https://github.com/EnVision-Research/Defect_Spectrum
• データセット リポジトリ: https://huggingface.co/datasets/DefectSpectrum/Defect_Spectrum

従来の欠陥検出の限界を突破し、実際の生産に近づけます

図 2: 実際の工業生産、欠陥検出と分析の閉ループ

実際の工業生産では、欠陥検出の要件はさらに詳細になります工場は、図 2 に示すように、不良部品を管理しながら収益性を確保する必要があります。しかし、既存の欠陥検出データセットでは、実際のアプリケーションに必要な精度や意味の豊富さが欠けていることがよくあります。たとえば、金属板の表面に広い範囲の塗装剥がれがある場合、欠陥領域は大きいものの、金属プレートへの機能的な影響はおそらくほとんどありません。しかし、金属板の内部に髪の毛ほどの小さな亀裂があった場合、圧力がかかると金属板が瞬時に破損し、金属板の性能に大きな影響を与え、さらには安全上の重大な危険を引き起こす可能性があります。

より正確に言えば、衣類のジッパーの歯の位置がずれているとします。この欠陥は大きくは見えず、検出が容易ではないかもしれませんが、衣類の機能に重大な影響を及ぼし、ジッパーが適切に動作しなくなる可能性があります。消費者は修理のために工場に返品する必要がありました。ただし、衣服の生地にわずかな引っ掛かりやわずかな色の違いなどの欠陥が発生した場合は、そのサイズと影響を慎重に評価する必要があります。小規模な生地の欠陥は許容範囲内で分類できるため、これらの製品を割引価格での販売など、さまざまな流通戦略で販売できるため、全体的な品質基準に影響を与えることなく製品の流通を維持できます。

これらすべての背後にある「Defect Spectrum」データセットは、すべてを洞察する全能の探偵のようなものです。幅広い産業上の欠陥タイプをカバーしているだけでなく、各欠陥について詳細かつ豊富な説明も提供しています。この強力なツールを通じて、欠陥検出システムは、細部を見逃すことなく、さまざまな欠陥をより正確に識別および分類できます。

Imaginez que sur la ligne de production réelle, à l'aide de l'ensemble de données « Defect Spectrum », le système d'inspection puisse identifier rapidement ce défaut crucial, le signaler immédiatement et le renvoyer à l'usine pour réparation. Dans le même temps, pour les défauts mineurs ou les différences de couleur du tissu, le système peut juger s'il se situe dans la plage acceptable sur la base d'un marquage détaillé des défauts, et décider s'il doit le vendre à un prix réduit. Cette méthode de traitement flexible améliore non seulement la qualité du produit, mais garantit également l'efficacité de la production et le contrôle des coûts.

Bien que les ensembles de données traditionnels tels que MVTEC et AeBAD fournissent des annotations au niveau des pixels, ils sont souvent limités à des masques binaires et ne peuvent pas distinguer en détail les types et les emplacements de défauts. L'ensemble de données « Defect Spectrum » réévalue et affine les annotations de défauts existantes grâce à une coopération avec quatre références majeures du secteur. Par exemple, les fines rayures et bosses sont profilées plus précisément et les défauts manqués sont comblés avec l'assistance d'experts, garantissant ainsi une annotation complète et précise.

Modèle innovant de génération de défauts "Defect-Gen"

Figure 3 : Diagramme schématique du processus de génération en deux étapes de Defect-Gen

Face au problème d'échantillons de défauts insuffisants dans l'ensemble de données actuel, nous avons proposé « Defect-Gen », un générateur de diffusion à deux étages. Ce générateur améliore la diversité et la qualité des images avec un nombre limité d'échantillons grâce à deux méthodes clés : premièrement, en utilisant une modélisation au niveau des patchs, deuxièmement, en limitant le champ de réception ;

Les modèles de diffusion traditionnels sont sujets au surajustement lorsqu'il y a peu d'échantillons d'apprentissage. Les résultats générés manquent de diversité et ne se souviennent souvent que des échantillons d'apprentissage. Notre modèle réduit efficacement ce phénomène de surajustement en réduisant la dimension des données et en augmentant la taille de l'échantillon.

Afin de combler les lacunes de la modélisation au niveau patch pour exprimer l'ensemble de la structure de l'image, nous proposons un processus de diffusion en deux étapes. Tout d’abord, utilisez un grand modèle de champ réceptif pour capturer la structure géométrique dès les premières étapes, puis passez à un petit modèle de champ réceptif pour générer des correctifs locaux dans les étapes suivantes. Cela améliore considérablement la diversité des images générées tout en conservant la qualité de l’image. En ajustant les points d'accès et les champs récepteurs des deux modèles, notre modèle atteint un bon équilibre entre fidélité et diversité.

Grâce à « Defect-Gen », nous fournissons des échantillons de formation plus riches et plus diversifiés pour la détection des défauts industriels, favorisant ainsi le développement de technologies d'inspection automatisées. certains réseaux de détection de défauts sur l'ensemble de données Defect Spectrum

Tableau 3 : Critères d'évaluation réels sur l'ensemble de données Defect Spectrum

Tableau 4 : Excellentes performances de Defect Spectrum dans l'évaluation réelleNotre évaluation des données Defect Spectrum L'ensemble a été entièrement évalué et annoté comme le montre le tableau 3. Cette expérience a vérifié l’applicabilité et la supériorité de Defect Spectrum dans divers défis de détection de défauts industriels. Le tableau 4 montre que par rapport à l'ensemble de données d'origine, le modèle formé sur notre ensemble de données a augmenté le taux de rappel de 10,74 % et réduit le taux de faux positifs de 33,1 %. En outre, le processus de construction et d'évaluation de l'ensemble de données fournit non seulement une base de recherche solide, mais fournit également une plate-forme permettant aux chercheurs de l'industrie et du monde universitaire d'évaluer et de développer des modèles avancés pour les besoins complexes de détection de défauts industriels.

L'introduction de l'ensemble de données Defect Spectrum est comme un coup de pouce pour la production industrielle. Cela rapproche le système de détection des défauts des besoins réels de production et permet une gestion efficace et précise des défauts. Dans le même temps, il fournit également un support de données précieux pour la maintenance prédictive future. En enregistrant la catégorie et l'emplacement de chaque défaut, l'usine peut optimiser en permanence le processus de production, améliorer les méthodes de réparation des produits et, à terme, atteindre une efficacité de production et une qualité de produit plus élevées.

Résumé

Nous avons publié l'ensemble de données Defect Spectrum et le générateur de défauts DefectGen, qui fournissent la haute précision et la riche sémantique des défauts requis dans l'inspection industrielle réelle, et résolvent le problème de l'incapacité du modèle à identifier les catégories ou les emplacements de défauts. .

Nous avons mené une évaluation complète de l'ensemble de données Defect Spectrum et vérifié son applicabilité et sa supériorité dans divers défis de détection de défauts industriels. Par rapport à l'ensemble de données d'origine, le modèle formé sur notre ensemble de données s'est amélioré. Le taux de rappel est de 10,74 %, ce qui réduit les faux. Taux positif de 33,1%.

Référence :

1.    Bai, H., Mou, S., Likhomanenko, T., Cinbis, R.G., Tuzel, O., Huang, P., Shan, J., Shi, J., Cao, M. : Ensembles de données de vision : une référence pour inspection industrielle basée sur la vision. Préimpression arXiv arXiv :2306.07890 (2023)

2.    Silvestre-Blanes, J., Albero-Albero, T., Miralles, I., Pérez-Llorens, R., Moreno, J. : Une base de données publique sur les tissus pour les méthodes et les résultats de détection des défauts. Journal de recherche Autex19(4), 363-374 (2019). https://doi.org/doi:10.2478/aut-2019-0035,https://doi.org/10.2478/aut-2019-0035

3.    Zhang, Z., Zhao, Z., Zhang, X., Sun, C., Chen, X. : Détection d'anomalies industrielles avec changement de domaine : un ensemble de données du monde réel et une reconstruction masquée à plusieurs échelles. Préimpression arXiv arXiv :2304.02216 (2023)

4.    Mishra, P., Verk, R., Fornasier, D., Piciarelli, C., Foresti, GL : VT-ADL : Un réseau de transformateurs de vision pour la détection et la localisation d'anomalies d'image. Dans : 30e Symposium international IEEE/IES sur l'électronique industrielle (ISIE) (juin 2021)

5.    Incorporated, C. : Glossaire standard des défauts de tissu (2023), uRL : https : / / www . cotoninc. com / qualité - produits / textile - ressources / tissu - défaut - glossaire

6.    Wieler, M., Hahn, T. : Apprentissage faiblement supervisé pour l'inspection optique industrielle. Dans : Colloque DAGM in. vol. 6 (2007)

7.    Tabernik, D., Šela, S., Skvarč, J., Skočaj, D. : Approche d'apprentissage en profondeur basée sur la segmentation pour la détection des défauts de surface. Journal de fabrication intelligente31(3), 759-776 (2020)

8.    Bergmann, P., Fauser, M., Sattlegger, D., Steger, C. : Mvtec ad – un ensemble complet de données du monde réel pour la détection d'anomalies non supervisée. Dans : Actes de la conférence IEEE/CVF sur la vision par ordinateur et la reconnaissance de formes. pp. 9592-9600 (2019)

9.    Zou, Y., Jeong, J., Pemula, L., Zhang, D., Dabeer, O. : Pré-formation auto-supervisée Spot-the-difference pour la détection et la segmentation des anomalies (2022)

以上が「Defect Spectrum」は、従来の欠陥検出の限界を打ち破り、超高精度かつ豊富なセマンティックな産業用欠陥検出を初めて実現します。の詳細内容です。詳細については、PHP 中国語 Web サイトの他の関連記事を参照してください。