提高智能工厂的缺陷检测性能

DGIST机器人和机电一体化工程系SangHyunPark教授的研究团队与斯坦福大学的团队合作开发了一种逻辑异常检测技术。该技术利用人工智能准确识别工业图像中的逻辑异常，有望显着提高智能工厂的缺陷检测性能。

逻辑异常是违反基本逻辑约束的数据，例如图像中组件的数量、排列或组成。与通过检查部分图像相对容易检测到的结构异常不同，逻辑异常的检测需要能够区分整个图像中的各个组件。之前的AI模型在逻辑异常检测方面的AUROC分数很差，平均不超过90%。

为了克服这一性能限制，SangHyunPark教授的研究团队提出了一种模型，该模型首先学习准确分割每个组件，然后使用该信息执行异常检测。

通常，训练分割模型需要像素级标记，这会产生严重的劳动力问题。为了解决这个问题，研究团队提出了一种利用少量基本事实的几次镜头分割技术。

用于模型训练的图像以相同的方式组合，这意味着每张图像都不同，但成分或像素的数量相似。通过使用直方图最小化目标函数来有效地训练分割模型。因此，与现有的少镜头分割技术相比，所提出的技术表现出更高的准确性。

此外，该研究提出了一种利用图像分割信息同时执行逻辑和结构异常检测的模型。它总共使用三个内存库，通过与测试图像进​​行有效比较来计算异常检测分数。

研究团队将该技术应用于MVTecLOCOAD数据集，该数据集是目前可用的最具挑战性的逻辑异常检测数据集之一。尽管现有技术在逻辑异常检测方面的平均性能低于90%，但所提出的技术实现了98%的平均性能。

DGIST机器人和机电一体化工程系的SangHyunPark教授表示：“这项研究极大地提高了逻辑异常检测的性能。这项技术可以显着降低智能工厂中缺陷检测的相关成本。”