AI Umum

Peningkatan Deteksi Anomali Industri dengan RealNet: Kerangka Kerja AI Terpadu untuk Sintesis Anomali Realistis dan Rekonstruksi Fitur Efisien

Pendahuluan

Deteksi anomali gambar industri sangat penting untuk kontrol kualitas dan pemantauan keselamatan. Metode rekonstruksi fitur tanpa pengawasan menunjukkan potensi, tetapi masih menghadapi tantangan seperti menghasilkan sampel anomali yang realistis dan beragam serta mengurangi redundansi fitur dan bias pra-pelatihan.

RealNet: Kerangka Kerja Rekonstruksi Fitur

RealNet menggabungkan tiga komponen utama:

  • Sintesis Anomali yang Dapat Dikendalikan Kekuatan (SDAS): Menghasilkan anomali beragam dan realistis yang selaras dengan distribusi alami.
  • Pemilihan Fitur Sadar Anomali (AFS): Memilih fitur pra-latih yang diskriminatif, mengurangi redundansi, dan mengendalikan biaya.
  • Pemilihan Residu Rekonstruksi (RRS): Secara adaptif memilih residu diskriminatif untuk identifikasi anomali.

Metodologi

RealNet memanfaatkan fitur CNN pra-latih secara efisien, mengurangi redundansi dan bias. SDAS memungkinkan sintesis anomali realistis, AFS untuk pemilihan fitur, dan RRS untuk pemilihan residu adaptif.

Hasil

RealNet mengungguli metode yang ada pada kumpulan data tolok ukur dan memperkenalkan Dataset Anomali Industri Sintetis (SIA) untuk sintesis anomali, memfasilitasi metode deteksi tanpa pengawasan. Evaluasi menunjukkan bahwa RealNet melampaui metode mutakhir saat ini pada metrik Image AU-ROC dan Pixel AUROC.

Kesimpulan

RealNet adalah kerangka kerja canggih untuk deteksi anomali tanpa pengawasan. Dengan menggabungkan SDAS, AFS, dan RRS, RealNet secara efektif memanfaatkan model pra-latih skala besar untuk deteksi anomali sambil memastikan efisiensi komputasi. Ini memberikan platform serbaguna untuk penelitian deteksi anomali di masa mendatang, terutama yang berfokus pada teknik rekonstruksi fitur pra-latih.