HỌC KHÔNG GIÁM SÁT TRONG KIỂM TRA NGOẠI QUAN BỀ MẶT NẮP CAO SU

Tóm tắt

Phát hiện sự dị thường trên bề mặt kết cấu là một vấn đề quan trọng và cần thiết. Trong ngành y tế, thuốc và dung dịch y tế được sản xuất trong phòng sạch. Những dị thường trên bề mặt nắp cao su mang một tiềm ẩn ảnh hưởng trực tiếp đến chất lượng thuốc dẫn đến ảnh hưởng sức khỏe của con người hoặc động vật khi sử dụng. Một sự dị thường trên bề mặt nắp cao su cần phải được phát hiện để có thể loại bỏ sớm. Thách thức chính của nhiệm vụ này đó là phát hiện các vùng có sự thay đổi là dị thường nhỏ, nhiễu so với mức bình thường, thiếu dữ liệu nắp cao su dị thường được gán nhãn. Trong nghiên cứu này, chúng tôi chỉ ra một phương pháp tiếp cận kết hợp nhúng từ mô hình ImageNet cho phát hiện phân loại những ảnh dị thường và bình thường của nắp cao su. Chúng tôi đã mở rộng và đề xuất mô hình PatchCore với bộ siêu tham số mới để đạt hiệu suất phát hiện các điểm dị thường. Đầu vào hình ảnh 1 kênh, đầu ra mặt nạ phân đoạn hình ảnh với các vùng dị thường trên bề mặt ảnh nắp cao su thử nghiệm. Chúng tôi tiếp tục báo cáo kết quả bộ dữ liệu bổ sung và cũng tìm thấy kết quả khả quan trong chế độ ít mẫu với chỉ số F1 và AUC lần lượt là 0,95 và 0,84.

Title

UNSUPERVISED LEARNING IN RUBBER STOPPER SURFACE ANOMALY DETECTION

Abstract

Anomaly detection on the surface of a structure is an important and necessary issue. In the medical industry, medicines and medical solutions are produced in clean rooms. The anomalies on the surface of the rubber cap carry a potential that directly affects the quality of the drug leading to health effects in humans or animals when used. An anomaly on the surface of the rubber cap needs to be detected so that it can be removed early. The main challenge of this task is to detect areas where the variation is a small anomaly, noise from the normal level, and the lack of labeled anomaly rubber stopper data. In this study, we show an embedded combined approach from the ImageNet model for classification detection of normal and anomaly images of rubber caps. We have extended and proposed the PatchCore model with a new set of hyperparameters for anomaly detection performance. Image input is 1-channel, image segmentation mask output with an anomaly on test rubber cap image surface. We continue to report additional dataset results and find positive results in the few samples mode with F1-score and AUC of 0.95 and 0.84.