Leveraging Unsupervised Learning for Cost-Effective Visual Anomaly Detection

技術概要：コスト効率の高い視覚的異常検出のための教師なし学習の活用

問題定義
中小企業（SME）向けの従来の機械学習ベースの視覚検査システムは、導入における大きな障壁に直面している。これらのシステムは通常、広範なデータ収集、反復的なモデルトレーニング、高価なハードウェア（ハイエンドGPUおよびカメラ）、そして専門的な機械学習の知識を必要とする。さらに、深層学習アプローチは、正常品と不良品の両方の大規模なラベル付きデータセットに依存することが多い。産業環境では、欠陥の多様性と継続的なデータ注釈の必要性が、十分な画像データを収集・維持する能力を欠く中小企業にとって負担となっている。加えて、標準的な深層学習モデルは、再トレーニングなしでは新製品や新しい欠陥タイプに一般化することが難しく、柔軟な製造環境における実用的な有用性をさらに制限している。

手法
本研究は、リソース制約のある環境、具体的にはラズベリーパイ4B（8GB RAM）と低コストカメラを利用するように設計された、コスト効率の高い視覚的異常検出システムを提案する。中核となる手法は教師なし学習を活用しており、モデルは「正常」な製品の画像のみに基づいてトレーニングされ、ラベル付けされた欠陥データの必要性を排除する。

• アルゴリズム: 本研究では、Anomalibライブラリから4つの教師なし学習アルゴリズムを評価した。PaDiM（密度モデリングによるパッチ単位異常検出）、PatchCore、CFlow-AD、およびFastFlowである。
• 展開: モデルは、精度を維持しつつモデルサイズと計算コストを削減するOpenVINOツールキットを用いてエッジ展開向けに最適化された。
• 実験設定: システムはギヤボックス部品でテストされた。ワークフローには、モデルをトレーニングするために正常な部品の画像を撮影することが含まれた。
  • トレーニングデータ: 当初、正常な製品の画像20枚が使用され、そのうち15枚がトレーニング用、5枚がテスト用としてランダムに選択された。
  • テスト条件: システムは、さまざまな「製品状態」の異常（例：ギヤ歯の欠落、部品の欠落、余分なギヤ、陽極酸化されていないケーシング）および「設定状態」の異常（例：照明の変化、トレイの位置ずれ、部品の傾き）の下で評価された。
• 指標: パフォーマンスは、AUROC（受信者操作特性曲線下面積）およびF1 Macroスコアを用いて測定された。異なるデータセットサイズ（20枚、50枚、80枚）およびハードウェアプラットフォーム（ラズベリーパイ対Intel i7 PC）間でのパフォーマンスを比較するため、アブレーション研究も実施された。

主な貢献

1. 低コストシステムの開発: ラズベリーパイ4Bを使用した機能性のある視覚的異常検出システムの作成。ハイエンドなコンピューティングインフラなしでギヤボックス部品の欠陥を検出する手頃な方法を実証した。
2. アルゴリズムの評価: 低コストハードウェアへの展開に特化した、複数の事前学習済み教師なし学習アルゴリズム（PaDiM、PatchCore、CFlow-AD、FastFlow）の比較分析。
3. パフォーマンスの検証: 実験室環境において、欠陥の局所化のためのヒートマップ生成および意思決定支援のための信頼度スコアを含む、さまざまな欠陥タイプおよび設定変異を検出するシステムの能力の実証的検証。

結果

• 最小限のデータによる高精度: ラズベリーパイ上では、わずか10枚の正常画像でトレーニングした場合（初期設定では15枚でトレーニング）、すべてのテストされた製品および設定条件において、F1 Macro スコアが0.95を超え、AUROCが1.0を達成した。システムは、欠陥の事前ラベル付けなしに正常部品と異常部品を区別することに成功した。
• ハードウェアの制約:
  • PaDiMは最も効率的なモデルであることが証明され、ラズベリーパイ上で20枚の画像を用いて約1分9秒でトレーニングし、F1スコア0.95を達成した。
  • PatchCoreも小規模なデータセット（20枚）では良好に機能したが、トレーニングセットサイズが50枚または80枚に増加すると、メモリの制限によりシステムクラッシュが発生した。
  • CFlow-ADおよびFastFlowは、すべてのデータセットサイズにおいてラズベリーパイ上でのトレーニングに失敗し、システムクラッシュを招いた。
• 推論速度: PaDiMのトレーニングは迅速であったが、ターゲットアプリケーションに対する推論時間は比較的高かった。ラズベリーパイ上では、PaDiMで約24秒、PatchCoreで70秒であった。
• 環境への感応性: システムは環境変化に対して感応性を示した。例えば、極めて暗い条件下では、モデルは正常な部品を50%の信頼度のみで異常として誤分類した。さらに、システムは微妙な欠陥（例：わずかにぼやけた欠けたギヤ歯）を正確に局所化することに苦しみ、照明やトレイの移動などの設定変化を製品欠陥と混同することがあった。

意義と主張
本論文は、低コストかつリソース制約のあるハードウェア上で最先端の教師なし深層学習モデルを展開する先駆的な探求を提示すると主張している。中小企業は、最小限のデータ（正常画像10枚程度）と手頃なハードウェアを使用して、高精度な異常検出（F1 > 0.95）を達成でき、自動化された視覚検査への参入障壁を大幅に低下させることを実証している。

しかしながら、著者らはシステムの現在の限界に関して控えめな立場を維持している。推論時間（24〜70秒）および環境ノイズ（照明、位置決め）への感応性により、システムは現時点では高頻度の生産ラインには適していないと認めている。本研究は、このアプローチが迅速かつ経済的である一方で、低コストのエッジデバイスに固有の大量データおよび限られた解像度をよりよく処理するために、モデル蒸留やデータ圧縮を通じて信頼性を向上させるための今後の研究が必要であると結論づけている。このシステムは、迅速かつ高スループットな検査が主要な制約ではない中小企業向けの viable な解決策、あるいは複雑で変化する環境における人間の検査の単独の代替ではなく、補完的なチェックとして位置づけられている。