周波数空間特徴フィルタリングとガウス混合モデルによる教師なし超音波画像異常検出の改善

科学分野:

• 非破壊検査（NDT）
• 人工知能（AI）
• コンピュータビジョン

背景:

• 超音波画像異常検出は、ラベル付きデータ、ノイズ、および多様な欠陥タイプの制限によって妨げられています。
• 既存の方法は、現実世界のチップパッケージング欠陥の複雑さに苦労しています。

研究 の 目的:

• 超音波異常検出のための大規模CスキャンベンチマークデータセットであるUltraChipを紹介する。
• 正確なピクセルレベルの異常検出のための完全教師なしフレームワークであるFSGM-Netを提示する。
• 実用的なアプリケーションのためのアノテーションフリー超音波非破壊検査（NDT）を進歩させる。

主な方法:

• ピクセルレベルのアノテーションを備えた約8,000の現実世界のCスキャン画像でUltraChipデータセットを開発しました。
• 適応周波数空間フィルタリングと適応ガウス混合モデル（Ada-GMM）を利用した完全教師なしフレームワークであるFSGM-Netを提案しました。
• 特徴の一貫性と正規性の重み付けを改善するために、新しいフィルター損失とエントロピーベースのスパースゲーティングを実装しました。

主要な成果:

• FSGM-NetはUltraChipベンチマークで最先端のパフォーマンスを達成しました。
• MVTec-ADおよびVisAデータセットで優れたクロスドメイン汎化機能を示しました。
• 単一GPUでリアルタイム推論速度を達成しました。

結論:

• UltraChipデータセットとFSGM-Netフレームワークは、超音波異常検出機能を大幅に改善します。
• 提案された方法は、実用的なNDTアプリケーションのための堅牢でアノテーションフリーのソリューションを提供します。
• FSGM-Netの有効性と効率性は、産業検査でのより広い採用への道を開きます。