基于视觉问答的电池热像图像零样本异常检测
计算机视觉与模式识别
2025-05-23 v1
摘要
电池是 various applications（包括电动汽车和可再生能源储存）中不可或缺的部件，安全性和效率是关键关注问题。电池热像图像的异常检测有助于早期识别故障，但传统深度学习方法需要大量标记数据，而这在尤其是因安全风险和高数据收集成本难以获取的异常数据方面尤为困难。为克服这一问题，我们探索了使用视觉问答（VQA）模型进行零样本异常检测，这些模型利用预训练知识和基于文本的提示符来跨越视觉任务。通过纳入电池热行为正常的先验知识，我们设计了提示符以在无电池专用训练数据的情况下检测异常。我们评估了三个 VQA 模型（ChatGPT-4o、LLaVa-13b 和 BLIP-2），分析了其对提示符变化、重复试验和定性输出的鲁棒性。尽管未对电池数据进行微调，我们的方法的表现仍与使用电池数据训练的状态模型相当。我们的发现突显了基于 VQA 的零样本学习在电池异常检测中的潜力，并为提高其有效性指明了未来方向。
引用
@article{arxiv.2505.16674,
title = {Zero-Shot Anomaly Detection in Battery Thermal Images Using Visual Question Answering with Prior Knowledge},
author = {Marcella Astrid and Abdelrahman Shabayek and Djamila Aouada},
journal= {arXiv preprint arXiv:2505.16674},
year = {2025}
}
备注
Accepted in EUSIPCO 2025