面向制造中自动视觉检测的主动学习与新颖模型校准度量
机器学习
2022-11-28 v2 人工智能
计算机视觉与模式识别
摘要
质量控制是制造企业为确保产品符合质量标准并避免对品牌声誉造成潜在损害而执行的一项关键活动。传感器与连接成本的下降使制造业的数字化程度不断提高。此外,人工智能实现了更高程度的自动化,降低了缺陷检测的总体成本与时间。本研究比较了三种具有单标注者与多标注者的主动学习方法在视觉检测中的表现。提出了六种新度量,以在无真实标签的情况下评估校准质量。此外,本研究探讨了现有校准器能否通过利用近似真实标签来扩充校准集从而提升性能。实验在 Philips Consumer Lifestyle BV 提供的真实世界数据上进行。我们的结果表明,在 p=0.95 的阈值下,所探究的主动学习设置可在不损害总体质量目标的前提下,将标注工作量减少百分之三至四。此外,结果表明所提出的校准度量成功捕获了迄今为止仅通过真实标签数据才能被现有度量获取的相关信息。因此,所提出的度量可用于估计模型概率校准的质量,而无需投入标注工作来获取真实标签数据。
引用
@article{arxiv.2209.05486,
title = {Active Learning and Novel Model Calibration Measurements for Automated Visual Inspection in Manufacturing},
author = {Jože M. Rožanec and Luka Bizjak and Elena Trajkova and Patrik Zajec and Jelle Keizer and Blaž Fortuna and Dunja Mladenić},
journal= {arXiv preprint arXiv:2209.05486},
year = {2022}
}