不完全データを用いたオープンワールド動的ホイール認識システム構築・保守のための拡散ベース統合フレームワーク

科学分野:

• 人工知能
• コンピュータビジョン
• 製造技術

背景:

• ホイール認識システムは製造業にとって重要ですが、データの不完全性や新規クラスの検出といった課題に直面しています。
• 動的な生産環境と乏しいトレーニングデータは、これらのシステムの構築と保守を妨げます。

研究 の 目的:

• ホイール認識システムにおけるデータ課題に対処するための、統一された拡散モデルベースのフレームワークを提案すること。
• 動的な製造環境におけるインテリジェントホイール認識システムの構築と保守を強化すること。

主な方法:

• スタイルとトリプル構造によってガイドされる拡散モデルは、データセット作成のために高品質のホイール画像を合成します。
• 生成的な異常検知（OOD）混合新規性検出方法は、合成されたOODデータを使用して正確な境界を確立します。
• 自己教師ありスタイル整合性学習は、合成画像と実画像間のドメインギャップを橋渡しします。

主要な成果:

• 提案されたフレームワークは、ホイール認識およびモデル更新タスクにおいて、最先端の方法よりも優れたパフォーマンスを示しました。
• 拡散モデルは、データ不足の問題を克服する十分なトレーニングデータを効果的に生成します。
• このフレームワークは、ドメインギャップに対処することにより、下流タスクのパフォーマンスを正常に向上させます。

結論:

• 本研究は、産業製造におけるインテリジェントシステムの構築と保守に拡散モデルを初めて適用したものです。
• 提案されたフレームワークは、ホイール認識におけるデータ不完全性と新規性検出のための堅牢なソリューションを提供します。
• 人工一般コンテンツ（AIGC）技術は、産業製造プロセスを進歩させる上で大きな可能性を示しています。