機械学習を用いた自動表面異常検出は、視覚検査の応用分野に非常に高い直接的な影響を与える有望な研究領域となっています。深層学習手法は、このタスクにおいて最も適したアプローチとなっています。これらの手法により、検査システムは単に多数のサンプル画像を見せることで表面異常を検出する方法を学習することができます。本論文では、表面異常の検出とセグメンテーションに設計されたセグメンテーションベースの深層学習アーキテクチャについて紹介し、特に表面クラック検出の分野での適用例を示します。アーキテクチャの設計により、少ないサンプル数を使用してモデルを訓練することが可能となり、これは実際の応用にとって重要な要件です。提案されたモデルは、関連する深層学習手法や最先端の商用ソフトウェアと比較され、表面クラック検出という特定の分野において提案手法が他の方法を上回ることが示されています。多くの実験結果から、アノテーションに必要な精度、訓練に必要なサンプル数、および計算コストについても明確な知見が得られています。実験は、実世界の品質管理事例に基づいて新規作成されたデータセット上で行われました。このデータセットを使用することで、提案手法が約25-30個の欠陥サンプルのみを使用して少数量の欠陥面から学習できることを示しています。通常は数百または数千ものサンプルが必要となる深層学習アプリケーションにおいて、これは産業界での利用可能性を高めるものです。また、このデータセットは公開されており、新たな表面欠陥検出手法の開発と評価を促進することを目指しています。以上が翻訳となります。ご確認ください。