适用于制造业质量控制中少样本图像检查的OpenAI CLIP模型适应研究：基于多个应用案例的实践性研究
计算机视觉与模式识别
2025-07-15 v2 应用统计
其他统计学
摘要
本实践性论文介绍了一种简化的方法，用于采用适用于少样本学习的OpenAI CLIP(Contrastive Language-Image Pretraining)模型进行基于图像的制造业质量检查。虽然CLIP在一般计算机视觉任务中展现出惊人的能力，但其直接应用于制造业检查面临着其训练数据与工业应用之间鸿沟的挑战。我们通过五个案例研究评估了CLIP的有效性：金属盘表面检查、3D打印挤出轮廓分析、随机纹理表面评估、汽车装配检查和晶体结构图像分类。我们的结果表明，CLIP可实现高分类准确率，仅需每类50-100个小型学习样本即可应用于单组件和纹理基应用。然而，在复杂多组件场景中，性能会下降。我们提供了一个实用性实现框架，使质量工程师能够快速评估CLIP适合其特定应用的适合性，而无需 pursuing 更复杂的解决方案。本工作建立了CLIP基于少样本学习的有效基线方法，在实际操作简便性和稳健性能之间取得平衡，已在多个制造业质量控制应用中实现。
引用
@article{arxiv.2501.12596,
title = {Adapting OpenAI's CLIP Model for Few-Shot Image Inspection in Manufacturing Quality Control: An Expository Case Study with Multiple Application Examples},
author = {Fadel M. Megahed and Ying-Ju Chen and Bianca Maria Colosimo and Marco Luigi Giuseppe Grasso and L. Allison Jones-Farmer and Sven Knoth and Hongyue Sun and Inez Zwetsloot},
journal= {arXiv preprint arXiv:2501.12596},
year = {2025}
}
备注
36 pages, 13 figures