飞机装配缺陷识别的在线自适应异常检测
计算机视觉与模式识别
2024-06-19 v1 人工智能
机器人学
摘要
异常检测旨在检测数据中偏离 established patterns 的偏差，具有自动驾驶、预测性维护和医疗诊断等多种应用。为提高异常检测准确率，可应用迁移学习，将大型预训练模型适应到特定应用场景。本文提出了一种 novel 的在线自适应异常检测框架，利用迁移学习。该方法通过选择视觉相似的训练图像，并在从训练子集中提取的 EfficientNet 特征上在线拟合正常性模型来适应不同环境。随后通过计算正常性模型与测试图像特征之间的马氏距离来执行异常检测。采用不同相似性度量 (SIFT/FLANN、余弦) 和正态模型 (MVG、OCSVM)，与其他方法进行比较。我们在不同的异常检测基准数据集以及受控实验室环境收集的数据上进行评估。实验结果表明，检测准确率可超过 0.975，优于最新方法 ET-NET。
引用
@article{arxiv.2406.12698,
title = {Online-Adaptive Anomaly Detection for Defect Identification in Aircraft Assembly},
author = {Siddhant Shete and Dennis Mronga and Ankita Jadhav and Frank Kirchner},
journal= {arXiv preprint arXiv:2406.12698},
year = {2024}
}
备注
This is preprint for the accepted paper