Uni-3DAD：GAN 反向投影辅助的模型无关产品通用 3D 异常检测
计算机视觉与模式识别
2024-11-12 v2 机器学习
摘要
异常检测是制造系统中的长期挑战。传统方法依赖人类检查员。然而，3D 点云因其对环境因素的鲁棒性和能够表示几何数据的能力而受到关注。现有的 3D 异常检测方法 generally 可归为两类：一类将扫描的 3D 点云与设计文件进行比较，假设这些文件始终可用；但在许多实际应用中，这种假设常被违反，例如模型无关的产品如鲜食品（如“曲奇”、“土豆”等）、义齿、骨骼等。另一类将扫描的 3D 点云的切片与称为记忆库的正常切片库进行比较。但这些方法通常无法检测不完整形状，这是一种常见的缺陷类型（即不同产品的缺失部件）。主要挑战在于，3D 点云中的缺失区域代表扫描点的缺失，这使得将缺失区域与记忆库中现有点云切片进行比较变得不可行。为解决这两个挑战，我们提出了一个统一的、无监督的 3D 异常检测框架，能够识别模型无关产品上所有类型的缺陷。我们的方法整合了两个检测模块：基于特征的检测模块和基于重建的检测模块。基于特征的检测覆盖几何缺陷，如凹陷、孔洞和裂纹，而基于重建的方法检测缺失区域。此外，我们采用单类支持向量机 (OCSVM) 来融合两个模块的检测结果。结果表明：(1) 我们提出的方法在识别不完整形状方面优于最先进的方法；(2) 在检测除其他所有类型的异常之外的异常时，仍保持与 SOTA 方法的可比性能。
引用
@article{arxiv.2408.16201,
title = {Uni-3DAD: GAN-Inversion Aided Universal 3D Anomaly Detection on Model-free Products},
author = {Jiayu Liu and Shancong Mou and Nathan Gaw and Yinan Wang},
journal= {arXiv preprint arXiv:2408.16201},
year = {2024}
}