Betrugstiefe: Verbesserung der 3D-Oberflächenanomaliedetektion durch Tiefensimulation

RGB-basierte Methoden zur Oberflächenanomalieerkennung haben erhebliche Fortschritte gemacht. Dennoch bleiben bestimmte Oberflächenanomalien in RGB allein praktisch unsichtbar, was die Einbeziehung von 3D-Informationen erforderlich macht. Bestehende Ansätze, die Punktwolken-Kernkomponenten verwenden, leiden an suboptimalen Darstellungen und eingeschränkter Anwendbarkeit aufgrund langsamer Verarbeitung. Die Wiederanwendung von RGB-Kernkomponenten, die für eine schnellere dichte Eingabeverarbeitung entwickelt wurden, auf industrielle Tiefendatensätze wird durch die begrenzte Verfügbarkeit ausreichend großer Datensätze behindert. Wir leisten mehrere Beiträge, um diese Herausforderungen zu bewältigen:(i) Wir schlagen eine neuartige Architektur eines tiefenwahrnehmungsfähigen diskreten Autoencoders (Depth-Aware Discrete Autoencoder, DADA) vor, die es ermöglicht, einen allgemeinen diskreten Latenten Raum zu lernen, der sowohl RGB- als auch 3D-Daten für die 3D-Oberflächenanomalieerkennung modelliert.(ii) Wir begegnen dem Mangel an diversen industriellen Tiefendatensätzen durch den Einführung eines Simulationsprozesses zum Lernen informativer Tiefencharakteristika im Tiefenkodierer.(iii) Wir schlagen eine neue Methode zur Oberflächenanomalieerkennung namens 3DSR vor, die in puncto Genauigkeit und Verarbeitungsgeschwindigkeit alle existierenden StandesderTechnik-Ansätze auf der anspruchsvollen MVTec3D-Anomalieerkennungsbenchmarke übertrifft. Die experimentellen Ergebnisse bestätigen die Effektivität und Effizienz unseres Ansatzes und unterstreichen das Potenzial der Nutzung von Tiefeninformationen zur verbesserten Oberflächenanomalieerkennung.