[论文解读] Real-time Detection of Clustered Events in Video-imaging data with Applications to Additive Manufacturing

Hao Yan, Marco Grasso+2 more|arXiv (Cornell University)|Apr 23, 2020

Advanced Statistical Process Monitoring参考文献 44被引用 12

一句话总结

本文提出了一种用于检测金属增材制造中热点的实时时空分解与回归框架，针对视频成像数据中的聚类异常检测问题。通过分离自然变异、稀疏聚类异常和噪声，并结合递归估计与似然比检验，该方法实现了在逐层打印过程中对失控事件的快速、精准定位。

ABSTRACT

The use of video-imaging data for in-line process monitoring applications has become more and more popular in the industry. In this framework, spatio-temporal statistical process monitoring methods are needed to capture the relevant information content and signal possible out-of-control states. Video-imaging data are characterized by a spatio-temporal variability structure that depends on the underlying phenomenon, and typical out-of-control patterns are related to the events that are localized both in time and space. In this paper, we propose an integrated spatio-temporal decomposition and regression approach for anomaly detection in video-imaging data. Out-of-control events are typically sparse spatially clustered and temporally consistent. Therefore, the goal is to not only detect the anomaly as quickly as possible ("when") but also locate it ("where"). The proposed approach works by decomposing the original spatio-temporal data into random natural events, sparse spatially clustered and temporally consistent anomalous events, and random noise. Recursive estimation procedures for spatio-temporal regression are presented to enable the real-time implementation of the proposed methodology. Finally, a likelihood ratio test procedure is proposed to detect when and where the hotspot happens. The proposed approach was applied to the analysis of video-imaging data to detect and locate local over-heating phenomena ("hotspots") during the layer-wise process in a metal additive manufacturing process.

研究动机与目标

• 解决从工业过程中实时视频成像数据中检测稀疏、空间聚类且时间一致的异常的挑战。
• 实现在金属增材制造过程中对失控事件（尤其是热点）的精确定位。
• 开发一种递归估计框架，支持时空异常检测的在线实现。
• 将时空分解与统计检验相结合，实现实时且准确的异常检测。
• 通过从复杂视频成像数据中提取有意义的信号，支持在线过程监控。

提出的方法

• 该方法将时空视频数据分解为三个分量：随机自然事件、稀疏空间聚类且时间一致的异常事件，以及随机噪声。
• 采用时空回归模型来估计数据的潜在结构，实现信号与噪声的分离。
• 应用递归估计程序，实现在新视频帧到达时对模型参数的实时更新。
• 该方法利用似然比检验检测异常事件（热点）发生的时间与位置。
• 分解基于低秩与稀疏矩阵建模原理，以捕捉聚类异常的结构特征。
• 该框架专为在线实现而设计，支持增材制造过程中的连续监控。

实验结果

研究问题

• RQ1 如何对时空视频数据进行分解，以从背景变异中隔离出稀有聚类异常？
• RQ2 何种递归估计策略可实现实时流式视频成像数据中的异常检测？
• RQ3 如何将似然比检验适配以检测异常事件的时间与空间位置？
• RQ4 所提方法在多大程度上能以最小延迟检测出金属增材制造中的热点？
• RQ5 该方法在实时情况下如何区分自然过程变异与真实失控事件？

主要发现

• 所提方法在金属增材制造过程中以高时间与空间精度成功检测出局部热点。
• 递归估计框架实现了低计算开销的实时实现。
• 似然比检验有效识别出异常事件的起始时间与位置，显著降低误报率。
• 分解方法成功将稀疏异常与背景噪声及自然变异分离，提升了检测灵敏度。
• 该方法在检测时间上一致、空间上聚类的异常事件方面表现优异，这些事件典型地反映过程偏差。
• 该方法在逐层增材制造过程的真实视频成像数据上得到验证，展现出实际应用潜力。