[論文レビュー] A Survey of Surface Defect Detection of Industrial Products Based on A Small Number of Labeled Data

Qifan Jin, Li Chen|arXiv (Cornell University)|Mar 11, 2022

Industrial Vision Systems and Defect Detection被引用数 14

ひとこと要約

本調査は、限られたラベル付きデータを用いた産業製品の表面欠陀検出手法をレビューし、従来の画像処理（統計的、スペクトル的、モデルベース）とディープラーニング技術（データ拡張、転移学習、ファインチューニング、半弱教師あり、無教師学習）に分類する。限られたデータ環境に特化した最先端手法の包括的分析を提供し、産業品質管理における実用的導入への洞察を示す。

ABSTRACT

The surface defect detection method based on visual perception has been widely used in industrial quality inspection. Because defect data are not easy to obtain and the annotation of a large number of defect data will waste a lot of manpower and material resources. Therefore, this paper reviews the methods of surface defect detection of industrial products based on a small number of labeled data, and this method is divided into traditional image processing-based industrial product surface defect detection methods and deep learning-based industrial product surface defect detection methods suitable for a small number of labeled data. The traditional image processing-based industrial product surface defect detection methods are divided into statistical methods, spectral methods and model methods. Deep learning-based industrial product surface defect detection methods suitable for a small number of labeled data are divided into based on data augmentation, based on transfer learning, model-based fine-tuning, semi-supervised, weak supervised and unsupervised.

研究の動機と目的

• 限られたラベル付きデータの制約下で産業製品の表面欠陊検出手法を分析・分類すること。
• 統計的、スペクトル的、モデルベースの手法を含む従来の画像処理技術が欠陊検出にどのように適用されるかを検討すること。
• データ拡張、転移学習、弱教師あり学習を含む、最小限のラベル付きデータで効果的に動作するディープラーニングベースのアプローチを調査すること。
• 実際の産業用検査シナリオにおける、さまざまな手法の性能と適用可能性を比較すること。
• 小データ環境における表面欠陊検出分野の現在の研究トレンドと課題を体系的に概説すること。

提案手法

• 画像処理技術を用いて、従来の欠陊検出手法を統計的、スペクトル的、モデルベースの方法に分類すること。
• 少数のラベル付き例を必要とするディープラーニング手法を調査し、訓練データを拡張するためのデータ拡張戦略を含めること。
• 大規模データセット上で事前学習されたモデルを活用する転移学習アプローチをレビューすること。
• 限られたアノテーションで事前学習ネットワークを欠陊検出に適応させるモデルベースのファインチューニング技術を分析すること。
• 半教師あり、弱教師あり、無教師学習のディープラーニング手法を検討し、完全にアノテートされたデータに依存するのを減らすこと。
• データ効率性、性能、産業応用可能性の観点から、手法を体系的に整理すること。

実験結果

リサーチクエスチョン

• RQ1 産業現場における少量のラベル付きデータに適した表面欠陊検出手法の主なカテゴリは何か？
• RQ2 データが不足する状況下で、従来の画像処理技術とディープラーニングベースの手法の性能と耐障害性はどのように比較されるか？
• RQ3 限られたアノテーションで欠陊検出の性能を向上させるために、特に効果的なデータ拡張戦略と転移学習戦略は何か？
• RQ4 半教師ありおよび弱教師あり学習アプローチは、産業用品質検査におけるアノテーション負荷をどのように軽減するか？
• RQ5 産業用表面欠陊検出に小データディープラーニングモデルを導入するにあたり、主な課題と未解決の問題は何か？

主な発見

• ラベル付きデータが限られる状況では、統計的およびスペクトル的技術を含む従来の画像処理手法が、特定の欠陊タイプに対して依然として有効である。
• データ拡張技術は、多様な訓練サンプルを合成することで、小データ環境下でのディープラーニングモデルの一般化性能を顕著に向上させる。
• 転移学習により、小規模な産業用データセット上で事前学習済みモデルをファインチューニングすることで、高い性能の欠陊検出が可能になる。
• 半教師ありおよび弱教師あり手法は、完全に教師ありモデルと比較して競争力のある検出精度を維持しながら、アノテーションコストを削減する。
• 無教師および自己教師ありアプローチは、欠陊アノテーションが一切不要な状況でも、異常検出において強力なポテンシャルを示している。
• ディープラーニングモデルにドメイン固有の知識を統合することで、実際の産業環境における性能と耐障害性が向上する。