[论文解读] 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 4

一句话总结

该论文提出FADS，一种基于特征的智能制造异常检测系统，利用预训练卷积神经网络（CNNs）通过滤波器激活来建模正常输入的统计特性。通过将新输入的激活值与学习到的统计阈值进行比较，FADS在无需微调CNN权重的情况下检测异常，在自定义增材制造晶格数据集和基准MVTec异常检测数据集上均表现出色，能够有效定位纹理工艺参数变化引起的异常。

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.

研究动机与目标

• 开发一种通用的零样本异常检测系统，用于工业制造，性能达到或超过人类水平。
• 解决在无需大量标注异常数据的情况下检测增材制造部件中细微工艺诱导异常的挑战。
• 提出一种利用预训练CNN对正常状态进行基于特征的统计建模的方法。
• 通过识别卷积特征图中异常的滤波器激活，实现对异常的精确定位。
• 在包括自定义和基准数据在内的多样化工业数据集上，证明方法的鲁棒性与泛化能力。

提出的方法

• FADS使用预训练CNN从正常（标准）训练样本中提取特征图。
• 计算每一层在所有空间位置和通道上滤波器激活的统计分布（例如均值和标准差）。
• 推理阶段，将新输入通过相同的CNN，并将其滤波器激活与学习到的统计模型进行比较。
• 当激活值超出预定义置信区间（例如±3σ）时，标记为异常。
• 系统采用一种定位算法，突出显示具有统计异常激活的区域，实现对异常的空间定位。
• 不进行反向传播或CNN权重的微调——仅使用推理和统计比较。

实验结果

研究问题

• RQ1 基于预训练CNN的特征异常检测系统是否能在不微调权重的情况下检测增材制造部件中细微的工艺诱导异常？
• RQ2 与现有基于机器学习的异常检测方法相比，FADS在真实工业数据集上的表现如何？
• RQ3 FADS能否通过识别具有异常特征激活的特定区域来实现异常定位？
• RQ4 FADS是否能在不同类型制造缺陷和表面纹理上实现良好泛化？
• RQ5 不同统计阈值对检测性能和误报率有何影响？

主要发现

• 在MVTec异常检测基准数据集上，FADS达到最先进或具有竞争力的性能，展现出在多样化物体类别间的强大泛化能力。
• 在自定义的增材制造晶格数据集上，FADS成功检测到因工艺参数变化引起的异常，即使视觉差异细微。
• 定位算法能有效突出显示表面纹理异常，证实特征层面的偏差与可察觉的制造缺陷相对应。
• FADS在不进行任何CNN权重微调的情况下保持高性能，降低了训练开销，实现了快速部署。
• 该方法对输入分布的变化表现出鲁棒性，在不同制造条件下均保持一致的检测性能。
• 基于标准激活分布的统计阈值（例如±3σ）在保持高异常召回率的同时，实现了低误报率。