[論文レビュー] Clear Memory-Augmented Auto-Encoder for Surface Defect Detection

Wei Luo, Tongzhi Niu+3 more|arXiv (Cornell University)|Aug 8, 2022

Industrial Vision Systems and Defect Detection被引用数 4

ひとこと要約

本稿では、産業分野の異常検出におけるクラス不均衡および再構築の課題に取り組むために、表面欠険検出のためのクリアメモリ拡張オートエンコーダー（CMA-AE）を提案する。明確なメモリ拡張モジュール（CMAM）によるフォアグラウンド修復とバックグラウンドの明瞭化、実際の異常を模倣するための汎用的アーティフィシャル異常生成アルゴリズム（GAAGA）、および正確なセグメンテーションを実現するためのマルチスケール特徴残差検出法（MSFR）を統合することで、CMA-AEはベンチマークデータセットで最先端の性能を達成した。

ABSTRACT

In surface defect detection, due to the extreme imbalance in the number of positive and negative samples, positive-samples-based anomaly detection methods have received more and more attention. Specifically, reconstruction-based methods are the most popular. However, existing methods are either difficult to repair abnormal foregrounds or reconstruct clear backgrounds. Therefore, we propose a clear memory-augmented auto-encoder (CMA-AE). At first, we propose a novel clear memory-augmented module (CMAM), which combines the encoding and memoryencoding in a way of forgetting and inputting, thereby repairing abnormal foregrounds and preserving clear backgrounds. Secondly, a general artificial anomaly generation algorithm (GAAGA) is proposed to simulate anomalies that are as realistic and feature-rich as possible. At last, we propose a novel multi scale feature residual detection method (MSFR) for defect segmentation, which makes the defect location more accurate. Extensive comparison experiments demonstrate that CMA-AE achieves state-of-the-art detection accuracy and shows great potential in industrial applications.

研究の動機と目的

• 正常サンプルが欠陊を著しく上回る表面欠陊検出における極端なクラス不均衡に対処する。
• 従来のオートエンコーダー手法が、明確なバックグラウンドを再構築できない、または異常なフォアグラウンドを修復できないという限界を克服する。
• 再構築中にクリアな領域を保持しながら、欠陊領域を是正するメモリ拡張アーキテクチャを開発する。
• モデルの汎化性と耐性を高めるために、特徴豊富で現実的な人工異常を生成する。
• マルチスケール特徴残差検出機構により、欠陊の局所化精度を向上させる。

提案手法

• フォーリング・インプット機構を介した符号化とメモリ符号化を統合したクリアメモリ拡張モジュール（CMAM）を導入し、欠陊領域を再構築すると同時に、クリアなバックグラウンドを保持する。
• 潜在空間における特徴の操作により、現実的で多様な異常を合成する汎用的アーティフィシャル異常生成アルゴリズム（GAAGA）を提案する。
• 複数スケールの特徴を集約することで、欠陊局所化における空間的精度を向上させるマルチスケール特徴残差（MSFR）検出ヘッドを設計する。
• 実際の異常と人工的に生成された異常の両方の再構築損失を用いて、エンド・トゥ・エンドでオートエンコーダーを訓練することで、汎化性能を向上させる。
• 代表的な特徴を格納・取得するためのメモリバンクを活用し、正常パターンと異常パターンをより効果的に区別できるようにする。
• 二重パス学習戦略を適用し、モデルがクリアな領域を再構築すると同時に、メモリガイドドの注目機構を介して破損した領域を能動的に修復するように学習する。

実験結果

リサーチクエスチョン

• RQ1 メモリ拡張オートエンコーダー・アーキテクチャは、表面欠陊画像において、明確なバックグラウンドを再構築すると同時に、異常なフォアグラウンドを修復できるか？
• RQ2 汎用的アーティフィシャル異常生成法は、トレーニングデータにおける合成欠陊の多様性と現実性をどの程度向上させられるか？
• RQ3 提案されたマルチスケール特徴残差検出機構は、欠陊セグメンテーションの精度と局所化の正確性を向上させるか？
• RQ4 CMA-AEは、ベンチマークデータセットにおける異常検出性能において、最先端の手法と比較してどのように差をつけるか？
• RQ5 メモリ拡張学習と合成データ生成の統合は、産業分野における表面欠陊検出において、強力な汎化能力をもたらすか？

主な発見

• CMA-AEは、複数の公開表面欠陊検出ベンチマークで最先端の性能を達成し、既存の再構築ベース手法を上回った。
• 提案されたCMAMモジュールは、視覚的および定量的分析により、背景の明瞭性を保持するとともに欠陊領域を修復することで、再構築品質を著しく向上させた。
• GAAGAは、非常に現実的で多様な合成異常を生成し、モデルの汎化性と耐性を向上させた。
• MSFR検出ヘッドは、欠陊セグメンテーションタスクにおける局所化精度を向上させ、誤検出を低減し、境界の正確性を向上させた。
• 広範なアブレーションスタディにより、各コンポonentの有効性が確認され、完全なCMA-AEモデルは、異なるデータセットおよび評価指標において一貫した向上を示した。
• 未観測の欠陊タイプや産業的状況においても、モデルは強力な汎化能力を示し、実世界への展開に大きな可能性を示した。