基于自编码器的制造质量控制视觉异常定位
计算机视觉与模式识别
2023-11-06 v2
摘要
制造业需要高效、大批量地生产高质量成品。在工业4.0背景下，视觉异常检测为实现高精度自动控制的产品质量提供了一种乐观的解决方案。总体而言，基于计算机视觉的自动化是防止产品质量检查点出现瓶颈的一种有前景的方案。我们考量了机器学习的最新进展以改进视觉缺陷定位，但在获取生产线中种类繁多的缺陷的平衡特征集与数据库方面仍存在挑战。因此，本文提出一种缺陷定位自编码器，通过对预训练VGG16网络提取的特征进行k-means聚类实现无监督类别选择。此外，所选缺陷类别辅以自然野外纹理以模拟人工缺陷。该研究证明了带无监督类别选择的缺陷定位自编码器在提升制造业缺陷检测方面的有效性。所提方法在家具行业三聚氰胺贴面板质量缺陷的精确准确定位上展现出 promising 结果。将人工缺陷纳入训练数据，在现实质量控制场景的实际应用中显示出显著潜力。
引用
@article{arxiv.2309.06884,
title = {Autoencoder-Based Visual Anomaly Localization for Manufacturing Quality Control},
author = {Devang Mehta and Noah Klarmann},
journal= {arXiv preprint arXiv:2309.06884},
year = {2023}
}