A method for for generating normal model and discriminating anomalies by adversarial autoencoder using a small number of defective samples

2022 Fiscal Year Final Research Report

• Project/Area Number: 20K11884
• Research Category: Grant-in-Aid for Scientific Research (C)
• Allocation Type: Multi-year Fund
• Section: 一般
• Review Section: Basic Section 61010:Perceptual information processing-related
• Research Institution: Gifu University
• Principal Investigator: Kato Kunihito 岐阜大学, 工学部, 教授 (70283281)
• Project Period (FY): 2020-04-01 – 2023-03-31
• Keywords: 異常検知 / 敵対的自己符号化器 / 深層学習 / 外観検査

Outline of Final Research Achievements

This research focuses on the generalization phenomenon of Autoencoders (AE), a deep learning method for anomaly detection. To solve this problem of AE, we studied a method in Adversarial Autoencoders (AAE) where the latent space distribution is fit Gaussian distribution, and a small amount of anomaly samples is used in the training to clearly learn the discriminating boundary between normal and abnormal. Furthermore, We have also characterized our method of using AAE by comparing it to other anomaly detection methods. Based on these results, we improved our method and achieved high recognition performance in practical applications such as solder inspection and aircraft exterior panel inspection.

Free Research Field

コンピュータビジョン

Academic Significance and Societal Importance of the Research Achievements

本研究の学術的意義は、敵対的学習の一種であるAAEを用いた深層学習による異常検知手法の確立にある。正常サンプルと、少量の異常サンプルによる性能向上を明らかにし、既存のAutoEncoderと比較して異常検知性能が大幅に向上することを明らかにした。
社会的には、異常検知は検査やセキュリティ等への応用が可能であり、本研究はハンダの異常検知への具体的な応用を示した。社会で人手不足問題が深刻化する中、検査の自動化のニーズは高まっており、本手法はその解決に大きく寄与する。さらに、学習サンプルの準備のみで可能な学習手法は、従来の画像処理による検査システムより短時間で導入が可能となる。