面向不平衡真实工业数据集的异常检测综合评分方法
计算机视觉与模式识别
2023-11-22 v2 机器学习
摘要
近年来，工业领域已向第四次工业革命演进。质量控制领域尤其关注用于计算机视觉异常检测的先进机器学习技术。然而，仍面临若干挑战，包括数据集不平衡、图像复杂性以及为保证高质量要求所需的零假阴性（ZFN）约束。本文阐述了一个工业合作伙伴的用例，首先使用在正常产品上训练的矢量量化生成对抗网络（VQGAN）重建印刷电路板组件（PCBA）图像。然后，在少量正常和异常图像上提取多个多层次度量指标，通过重建差异凸显异常。最后，利用提取的度量指标训练一个分类器，构建一个综合异常评分。这种三步法在公开的 MVTec-AD 数据集和合作方的 PCBA 数据集上进行了验证，在 ZFN 约束下分别达到了 95.69% 和 87.93% 的常规准确率。
引用
@article{arxiv.2211.15513,
title = {Composite Score for Anomaly Detection in Imbalanced Real-World Industrial Dataset},
author = {Arnaud Bougaham and Mohammed El Adoui and Isabelle Linden and Benoît Frénay},
journal= {arXiv preprint arXiv:2211.15513},
year = {2023}
}
备注
This version of the article has been accepted for publication, after peer review and is subject to Springer Nature AM terms of use, but is not the Version of Record and does not reflect post-acceptance improvements, or any corrections. The Version of Record is available online at: https://doi.org/10.1007/s10994-023-06415-9