顺序 PatchCore：基于人工杂质的表面检查异常检测
计算机视觉与模式识别
2025-01-17 v1 图形学
机器学习
摘要
表面杂质（如水渍、指纹、贴纸）的出现是一个常被提及的问题，会导致自动化视觉检查系统的性能下降。与此同时，视觉表面检查的人工合成数据生成技术主要关注生成完美示例和缺陷，忽略了杂质。本研究强调在生成人工合成数据时考虑杂质的重要性。我们提出了一种程序化方法，用于在人工合成数据中包含逼真的水渍。生成的人工数据集旨在对应真实数据集，并进一步用于训练异常检测模型并研究水渍的影响。用于表面检查的高分辨率图像在异常检测训练期间会导致内存瓶颈。为此，我们提出了 Sequential PatchCore —— 一种顺序构建 coresets 的方法，使使用消费级硬件对大图像进行训练变得可行。这使得我们能够使用预先在不同数据集版本上预训练的 coresets 进行迁移学习。我们的结果表明，使用人工数据预训练显式 coresets 异常模型的好处，以及使用真实数据微调 coresets 的扩展性能优势。我们观察到杂质和标注模糊会降低模型性能，并额外报告了按缺陷划分的召回率，以提供工业相关的模型性能视角。
引用
@article{arxiv.2501.09579,
title = {Sequential PatchCore: Anomaly Detection for Surface Inspection using Synthetic Impurities},
author = {Runzhou Mao and Juraj Fulir and Christoph Garth and Petra Gospodnetić},
journal= {arXiv preprint arXiv:2501.09579},
year = {2025}
}