GLASS Anomali Tespiti Yöntemi
1. Giriş
Endüstriyel ortamlarda anomali tespiti, kalite kontrol ve hata yönetimi için kritik öneme sahiptir. Özellikle düşük kontrastlı ve küçük alanlı zayıf kusurların tespiti, geleneksel yöntemlerle oldukça zordur. GLASS Anomali Tespiti (Global ve Local Anomaly co-Synthesis Strategy), yani Türkçesi Küresel ve Yerel Anomali Eş-Sentez Stratejisi anomali tespiti için hem zayıf kusurları hem de yaygın anomali türlerini daha doğru bir şekilde sınıflandıran yenilikçi bir yöntem sunmaktadır. GLASS Anomali Tespiti, anomali sentezini özellik (feature) ve görüntü (image) seviyesinde birleştirerek, daha geniş bir kapsama alanı ve daha kontrollü sentez sunar. Bu yöntem, hem endüstriyel veri setlerinde hem de özel olarak oluşturulmuş zayıf kusur veri setlerinde üstün performans sergilemiştir.
İçindekiler
2. Anomali Tespiti: Mevcut Yöntemler ve Sınırlamaları
Anomali tespiti yöntemleri genellikle üç ana kategoriye ayrılır:
1. Yeniden Yapılandırma Tabanlı Yöntemler:
- Anomali bölgelerini, yeniden yapılandırılmış görüntülerle karşılaştırarak tespit eder.
- Ancak, düşük kalite rekonstrüksiyon ve fark analizi zorlukları nedeniyle sınırlıdır.
2. Gömülü Temsil (Embedding) Tabanlı Yöntemler:
- Özellikleri sıkıştırarak normal ve anomali kümelerini ayırır.
- Yalnızca normal verilerle eğitildikleri için, anomali örneklerini temsil etmede yetersiz kalır.
3. Anomali Sentezi Tabanlı Yöntemler:
- Normal verilerden anomali sentezi yaparak model performansını artırmayı hedefler.
- Ancak, görüntü düzeyinde sentez yöntemleri çeşitlilikten yoksundur ve özellik düzeyinde sentez yöntemleri kontrollü yönlendirme sağlamaz.
Bu sınırlamaları aşmak için GLASS Anomali Tespiti, hem özellik seviyesinde hem de görüntü seviyesinde sentez sağlayan iki ana bileşen sunar: GAS (Global Anomaly Synthesis) ve LAS (Local Anomaly Synthesis).
3. GLASS Framework’ü: GAS ve LAS
GLASS Anomali Tespiti, anomali sentezi için iki tamamlayıcı strateji sunar:
1. GAS (Global Anomaly Synthesis):
- Özellik düzeyinde anomaliler oluşturur.
- Gaussian gürültü, gradyan yükselmesi ve kesikli projeksiyon kullanılarak kontrollü anomali sentezi sağlar.
- Bu yöntem, zayıf kusurların daha hassas bir şekilde tespit edilmesini mümkün kılar.
2. LAS (Local Anomaly Synthesis):
- Görüntü düzeyinde anomaliler sentezler.
- Perlin maskeleri ve doku birleştirme teknikleri ile daha çeşitli ve güçlü anomaliler oluşturur
- GLASS Anomali Tespiti’nin bu iki bileşeni, birbirini tamamlayarak hem zayıf kusurları hem de geniş çaplı kusurları başarıyla algılar.
4. GLASS’ın Temel Katkıları
1. Geniş Anomali Kapsamı:
- GAS ve LAS, anomali türlerinin daha geniş bir yelpazede sentezlenmesine olanak tanır.
2. Zayıf Kusur Tespiti:
- GLASS Anomali Tespiti, düşük kontrastlı ve küçük alanlı kusurları daha yüksek doğrulukla tespit edebilir.
3. Endüstriyel Kullanım:
- Dokuma kumaş kusur tespiti gibi gerçek dünya senaryolarında başarıyla uygulanmıştır.
5. GLASS’ın Mimari Yapısı
GLASS, üç ana dal içerir:
1. Normal Dal:
- Normal özellikleri işler.
2. GAS Dalı:
- Özellik düzeyinde anomaliler sentezler.
3. LAS Dalı:
- Görüntü düzeyinde anomaliler sentezler.
Her dalda, bir özellik çıkarıcı (feature extractor), bir özellik adaptörü (feature adaptor) ve bir ayrıştırıcı (discriminator) bulunur. Bu üç dalın çıktıları, ayrıştırıcıya beslenerek eğitim sürecinde optimize edilir.
6. Deneysel Sonuçlar
GLASS’ın etkinliği, çeşitli veri setleri ve test senaryolarında gösterilmiştir.
6.1. Veri Setleri
GLASS, şu veri setlerinde test edilmiştir:
- MVTec AD: 15 kategori ve 5354 görüntü içerir.
- VisA: 12 kategori ve 10821 görüntü ile endüstriyel parçaları içerir.
- MPDD: Metal parçaların 6 kategoriden oluşan 1346 görüntüsü.
- WFDD (Dokuma Kumaş Kusur Tespit Veri Seti): 4 kategori ve 4101 görüntü.
- MAD-man ve MAD-sys: Zayıf kusur tespiti için özel oluşturulmuş test setleridir.
6.2. Performans
1. MVTec AD:
- Görüntü seviyesi AUROC: %99.9.
- Piksel seviyesi AUROC: %99.3.
2. Zayıf Kusurlar:
- MAD-sys test setinde diğer yöntemlere göre %5-12 oranında daha iyi performans.
3. Hız ve Verimlilik:
- GLASS, SimpleNet ve PatchCore gibi yöntemlere kıyasla daha hızlıdır ve daha düşük işlem maliyeti sunar.
7. Karşılaştırmalı Çalışmalar
GLASS, aşağıdaki yöntemlerle karşılaştırılmıştır:
- DSR: Özellik düzeyinde sentez.
- PatchCore: Bellek tabanlı yöntem.
- SimpleNet: Tek sınıf sınıflandırma.
GLASS, bu yöntemlere kıyasla hem doğruluk hem de hız açısından üstünlük sağlamıştır.
8. GLASS’ın Avantajları
1. Kontrollü ve Çeşitli Anomali Sentezi:
- Gaussian gürültü ve gradyan yükselmesi gibi tekniklerle daha kontrollü sentez yapılır.
2. Hız ve Verimlilik:
- Daha az işlem yükü ile yüksek doğruluk.
3. Zayıf Kusur Tespitinde Üstünlük:
- Hem sentezlenmiş hem de gerçek zayıf kusurlar üzerinde etkili performans.
9. Sınırlamalar ve Gelecek Çalışmalar
GLASS, özellikle yapısal anomalilere odaklanmıştır. Ancak mantıksal anomalilerin tespiti henüz araştırılmamıştır. Gelecekte, GLASS’ın mantıksal anomaliler için genişletilmesi ve doku veri setlerine bağımlılığının azaltılması planlanmaktadır.
10. GLASS Anomaly Tespiti Özet
GLASS, anomali tespiti için yenilikçi bir yaklaşım sunarak hem zayıf kusurların hem de diğer anomali türlerinin tespitinde mevcut yöntemleri geride bırakmaktadır. Özellik ve görüntü seviyesinde sentezi birleştiren bu framework, endüstriyel uygulamalar için güçlü bir araçtır. Gelecek çalışmalar, bu yöntemin daha geniş bir uygulama yelpazesine yayılmasını hedeflemektedir.
© 2024 Tüm Hakları Saklıdır.
Tarafından yapılmıştır.
Tüm soru, öneri ve görüşleriniz için İletişim linkini kullanabilirsiniz.
