[論文レビュー] Feature anomaly detection system (FADS) for intelligent manufacturing

Anthony Garland, Kevin Potter+1 more|arXiv (Cornell University)|Apr 21, 2022

Anomaly Detection Techniques and Applications被引用数 4

ひとこと要約

本論文では、事前学習済み畳み込みニューラルネットワーク（CNN）を用いて、フィルタ活性化を介して正常な入力統計をモデル化することで、インテリジェント製造向けの特徴ベースの異常検出システムFADSを提案する。新しい入力の活性化を学習済みの統計的しきい値と比較することで、CNNの重みを微調整することなく異常を検出でき、カスタムの添加的製造ラティスデータセットおよびベンチマークMVTec Anomaly Detectionの両方で優れた性能を示し、表面的プロセスパラメータの変化の正確な局所化も可能である。

ABSTRACT

Anomaly detection is important for industrial automation and part quality assurance, and while humans can easily detect anomalies in components given a few examples, designing a generic automated system that can perform at human or above human capabilities remains a challenge. In this work, we present a simple new anomaly detection algorithm called FADS (feature-based anomaly detection system) which leverages pretrained convolutional neural networks (CNN) to generate a statistical model of nominal inputs by observing the activation of the convolutional filters. During inference the system compares the convolutional filter activation of the new input to the statistical model and flags activations that are outside the expected range of values and therefore likely an anomaly. By using a pretrained network, FADS demonstrates excellent performance similar to or better than other machine learning approaches to anomaly detection while at the same time FADS requires no tuning of the CNN weights. We demonstrate FADS ability by detecting process parameter changes on a custom dataset of additively manufactured lattices. The FADS localization algorithm shows that textural differences that are visible on the surface can be used to detect process parameter changes. In addition, we test FADS on benchmark datasets, such as the MVTec Anomaly Detection dataset, and report good results.

研究の動機と目的

• 人間水準の性能を達成または上回る、汎用的でゼロショットの工業用製造向け異常検出システムの開発。
• 大量のラベル付き異常データを必要とせずに、添加的製造部品における微細なプロセス由来の異常を検出する課題への対応。
• 事前学習済みCNNを活用して、正常状態の特徴ベースの統計的モデリングを実現する手法の構築。
• 畳み込み特徴マップにおける逸脱したフィルタ活性化を特定することで、異常を正確に局所化することの実現。
• 多様な産業用データセット（カスタムおよびベンチマークデータを含む）にわたる、強靭性と一般化性能の実証。

提案手法

• FADSは、正常（ノーマル）なトレーニングサンプルから特徴マップを抽出するために事前学習済みCNNを用いる。
• 各層について、空間的位置およびチャネル全体におけるフィルタ活性化の統計的分布（例：平均および標準偏差）を計算する。
• 推論段階では、同じCNNを用いて新しい入力を通すとともに、そのフィルタ活性化を学習済みの統計モデルと比較する。
• 活性化値がノーマル分布から所定の信頼区間（例：±3σ）外に出た場合に異常と判断する。
• 異常を局所化するためのアルゴリズムを用い、統計的に逸脱した活性化を示す領域を強調表示することで、空間的帰属を可能にする。
• バックプロパゲーションやCNNの微調整は一切行わず、推論と統計的比較のみを用いる。

実験結果

リサーチクエスチョン

• RQ1 事前学習済みCNNを用いた特徴ベースの異常検出システムは、CNNの重みを微調整することなく、添加的製造部品における微細なプロセス由来の異常を検出できるか？
• RQ2 FADSは、既存の機械学習ベースの異常検出手法と比較して、実世界の産業用データセットでどの程度の性能を示すか？
• RQ3 FADSは、特定のフィルタ活性化が逸脱している領域を特定することで、異常を局所化できるか？
• RQ4 FADSは、異なる種類の製造欠陥および表面テクスチャに一般化できるか？
• RQ5 異なる統計的しきい値が、検出性能および誤検出率に与える影響は何か？

主な発見

• FADSはMVTec Anomaly Detectionベンチマークデータセットで最先端または競争力のある性能を達成し、多様なオブジェクトクラスにわたる強力な一般化性能を示した。
• カスタムの添加的製造ラティスデータセットにおいて、FADSは視覚的差が微細なプロセスパラメータの変更に起因する異常を効果的に検出できた。
• 局所化アルゴリズムは、表面的テクスチャ異常を効果的に強調表示しており、特徴レベルの逸脱が明確な製造欠陥に対応していることを確認した。
• CNNの重みを一切微調整しない状態で高い性能を維持でき、トレーニングのオーバーヘッドを低減し、迅速な展開が可能になった。
• 入力分布の変動に対しても強靭性を示し、異なる製造条件において一貫した検出性能を維持した。
• ノーマル活性化分布に基づく統計的しきい値（例：±3σ）を用いることで、誤検出率を低く抑えつつ、高い異常再現率を達成した。