Unsupervised industrial image ensemble anomaly detection based on object pseudo-anomaly generation and normal image feature combination enhancement

异常检测 异常(物理) 人工智能 特征(语言学) 计算机科学 模式识别(心理学) 特征向量 特征提取 计算机视觉 凝聚态物理 语言学 物理 哲学
作者
Haoyuan Shen,Baolei Wei,Yizhong Ma,Xiaoyu Gu
出处
期刊:Computers & Industrial Engineering [Elsevier]
卷期号:182: 109337-109337 被引量:6
标识
DOI:10.1016/j.cie.2023.109337
摘要

With the development of industrial video technology, the use of cameras rather than a variety of expensive sensors to obtain process or product data has gained more attention. One of the important applications is the use of image data for anomaly detection. It is difficult to collect anomaly data in actual engineering practice, which makes the anomaly detection of industrial products often need to be carried out under the condition of a single data type. How to achieve anomaly detection without anomaly data has become a new challenge. An unsupervised ensemble anomaly detection method based on image enhancement is proposed for image detection with normal data only. The proposed method first uses local pseudo-anomaly generation and object location to generate high-quality pseudo-anomaly images. Then, the pseudo-anomaly images and pseudo-labels are used to guide the training of a reconstruction model and a self-supervised model. In the detection phase, an unsupervised feature screening method is designed to extract sensitive filters, and the normal image features in the feature space output by these sensitive filters are combined and enhanced. Finally, ensemble detection is implemented using different anomaly scores. The experiments show that the proposed method can achieve performance improvements in 15 real datasets.
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
更新
大幅提高文件上传限制,最高150M (2024-4-1)

科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
LiZhenhua发布了新的文献求助10
1秒前
2秒前
6秒前
8秒前
11秒前
supercheese发布了新的文献求助10
11秒前
13秒前
Akim应助Juany采纳,获得10
14秒前
满意小猫咪完成签到,获得积分10
14秒前
15秒前
15秒前
诸葛翼德完成签到,获得积分10
15秒前
大模型应助啊的瓦房瓦房采纳,获得10
15秒前
123发布了新的文献求助10
15秒前
mxq完成签到,获得积分10
16秒前
16秒前
18秒前
siyan156发布了新的文献求助10
20秒前
20秒前
YJ888发布了新的文献求助10
20秒前
绿色催化完成签到,获得积分10
23秒前
24秒前
yoonkk完成签到,获得积分10
25秒前
Pf1314完成签到,获得积分10
26秒前
gb驳回了CipherSage应助
27秒前
27秒前
28秒前
雪山飞龙发布了新的文献求助30
29秒前
30秒前
周周完成签到,获得积分20
30秒前
reck应助大香香采纳,获得10
31秒前
31秒前
32秒前
32秒前
32秒前
yy发布了新的文献求助10
33秒前
34秒前
周周发布了新的文献求助30
34秒前
KIKI发布了新的文献求助10
36秒前
受伤芝麻发布了新的文献求助10
36秒前
高分求助中
The late Devonian Standard Conodont Zonation 2000
Nickel superalloy market size, share, growth, trends, and forecast 2023-2030 2000
The Lali Section: An Excellent Reference Section for Upper - Devonian in South China 1500
Smart but Scattered: The Revolutionary Executive Skills Approach to Helping Kids Reach Their Potential (第二版) 1000
Very-high-order BVD Schemes Using β-variable THINC Method 830
Mantiden: Faszinierende Lauerjäger Faszinierende Lauerjäger 800
PraxisRatgeber: Mantiden: Faszinierende Lauerjäger 800
热门求助领域 (近24小时)
化学 医学 生物 材料科学 工程类 有机化学 生物化学 物理 内科学 纳米技术 计算机科学 化学工程 复合材料 基因 遗传学 催化作用 物理化学 免疫学 量子力学 细胞生物学
热门帖子
关注 科研通微信公众号,转发送积分 3247482
求助须知:如何正确求助?哪些是违规求助? 2890834
关于积分的说明 8264798
捐赠科研通 2559153
什么是DOI,文献DOI怎么找? 1387809
科研通“疑难数据库(出版商)”最低求助积分说明 650658
邀请新用户注册赠送积分活动 627384