基于深度度量学习的稳健装配进度估计
计算机视觉与模式识别
2026-01-05 v1
摘要
近年来，AI 技术的发展加速了智能工厂的发展。特别是对于提高操作效率、最小化废弃部件成本和最大化工厂生产率，自动监控产品装配进度至关重要。然而，当装配任务在多天内进行手动操作时，实施智能工厂系统仍然是一个挑战。以前的工作提出了 Anomaly Triplet-Net，通过对产品的视觉特征应用深度度量学习来估计装配进度。然而，当连续任务之间的视觉变化很小时，容易发生误分类。为解决此问题，本文提出了一种即使在遮挡或最小视觉变化的情况下仍能准确估计装配进度的稳健系统，且仅需小规模数据集。我们的方法利用基于 Quadruplet Loss 的学习方法处理异常图像，并引入自定义数据加载器，战略性地选择训练样本以提高估计精度。我们使用在桌面 PC 装配期间捕获的图像数据集进行评估。所提出的 Anomaly Quadruplet-Net 在该数据集上超越了现有方法。具体而言，在桌面 PC 数据集上，它将估计精度提高了 1.3%，并将相邻任务之间的误分类减少了 1.9%，显示示了所提出方法的有效性。
引用
@article{arxiv.2601.00422,
title = {Robust Assembly Progress Estimation via Deep Metric Learning},
author = {Kazuma Miura and Sarthak Pathak and Kazunori Umeda},
journal= {arXiv preprint arXiv:2601.00422},
year = {2026}
}