A lightweight one-class classification method using multi-scale feature fusion with channel attention for industrial anomaly detection
Endüstriyel görüntülerde anomali tespiti için kanal dikkatli çok seviyeli özellikler kullanan hafif tek sınıflı sınıflandırma modeli
- Tez No: 988490
- Danışmanlar: DOÇ. DR. ŞEYDA ERTEKİN
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Bilgisayarla görme, Yapay zeka, Computer vision, Artificial intelligence
- Yıl: 2025
- Dil: İngilizce
- Üniversite: Orta Doğu Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Anomali tespiti, üretim hatalarını bulmak için önemli olup, verimlilik, güvenilirlik ve süreç kalitesi açısından kritik bir rol oynar. Endüstriyel ortamlarda yapılan gözle muayene hem zaman alıcı hem de hataya açıktır. Bu nedenle derin öğrenme tabanlı yöntemler umut vadeden bir çözüm olarak önerilmiştir. Mevcut birçok anomali tespit modeli yüksek doğruluk sergilemesine rağmen, kısıtlı kaynağa sahip cihazlarda uygulanabilir değildir. Gerçek sistemlerde kullanılabilmesi için anomali tespit yöntemlerinin yüksek doğruluk, düşük hesaplama maliyeti ve gerçek zamanlı çalışmayı destekleyecek hız gibi gereksinimleri birlikte karşılaması beklenmektedir. Bu çalışmada, hem performans hem de gerçek zamanlı uygulanabilme ihtiyaçlarına cevap vermek amacıyla, Alight-IAD olarak adlandırılan tek-sınıf sınıflandırma kullanan denetimsiz bir anomali tespit yöntemi sunulmuştur. Önceden eğitilmiş bir ağdan çok seviyeli özellikler elde edilmiş, bu özellikler dikkat kanalları kullanılarak birleştirilmiş ve sonrasında gömme uzayına yansıtılmıştır. Model, Deep SVDD kaybı ve regularizasyon kaybı ile optimize edilerek eğitilmiştir. Yöntemin genelleme kabiliyetini değerlendirmek için yaygın olarak kullanılan MVTec AD, VisA, BTAD ve MPDD veri setleri üzerinde kapsamlı deneyler yapılmıştır. Ayrıca, karşılaştırmalı değerlendirme için dört denetimsiz öncü (SOTA) özellik gömme yöntemi yeniden eğitilerek AUROC, çıkarım süresi, bellek tüketimi ve CO2 eşdeğer emisyon metrikleri karşılaştırılmıştır. Elde edilen sonuçlar, önerilen yöntemin karşılaştırılan öncü yöntemlerden 17 kata kadar daha hızlı çalıştığını, %90'ın üzerinde AUROC (MVTec AD veriseti) ile karşılaştırılabilir performans sunduğunu, yalnızca 6 milyon parametre içeren hafif bir mimariye sahip olduğunu ve daha düşük enerji tükettiğini göstermektedir.
Özet (Çeviri)
Anomaly detection is important for finding production faults and plays a key role in efficiency, reliability, and process quality. Since manual visual inspection is time-consuming and prone to errors in industrial environments, deep learning methods were proposed as a promising solution. Many anomaly detection models achieve high performance, but they are impractical to deploy on resource-constrained devices. To be applicable in real-world systems, anomaly detection methods should be capable of high precision, low computational cost device compatible, and fast to support real-time operation. To bridge the gap between performance and applicability, an unsupervised anomaly detection method, called ALight-IAD, using one-class classification was presented in this study. Multi-level features are extracted from a pretrained network and fused with a channel attention mechanism, and then projected into the embedding space. The model is trained by optimizing via Deep SVDD loss with an additional regularization term. We evaluated the method on widely-used MVTec AD, VISA, BTAD, and MPDD datasets. Additionally, AUROC, inference time, memory consumption, and CO2 equivalent emission were compared against four unsupervised state-of-the-art feature embedding methods, which were retrained for detailed benchmarking in this study. The results demonstrate that the proposed method ran up to 17× faster, achieved comparable performance more than 90% AUROC (MVTec AD dataset), has a lightweight architecture including 6 million parameters, and consumes less energy than compared SOTA methods.
Benzer Tezler
- Kanal tabanlı özellik temsili ve derin öğrenmeye dayalı uykululuk sınıflandırması
Drowsiness classification based on channel-based feature representation and deep learning
MUSTAFA RIFAT ÇELİK
Yüksek Lisans
Türkçe
2025
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. ZÜMRAY ÖLMEZ
- Derin öğrenme modellerinin transfer öğrenme ile farklı veri setleri üzerindeki performanslarının karşılaştırılması
Comparative performance analysis of deep learning models on different datasets using transfer learning
GÜLAHMET YILDIZ
Yüksek Lisans
Türkçe
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya ÜniversitesiBilişim Sistemleri Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ BURCU ÇARKLI YAVUZ
- Ses yalıtım ve maliyet performansına bağlı duvar tipi seçimi için bir yaklaşım
An approach for wall type selection based on sound insulation and cost performance
BİLGE ŞAN ÖZBİLEN
- MACHINE LEARNING-BASED FAULT DETECTION AND CLASSIFICATION FOR TRANSMISSION LINE PROTECTION
İLETİM HATTI KORUMASI İÇİN MAKİNE ÖĞRENİMİNE DAYALI ARIZA TESPİTİ VE SINIFLANDIRMASI
AHMED ALTAİE
Doktora
İngilizce
2026
Yıldız Teknik ÜniversitesiElektrik Mühendisliği Ana Bilim Dalı
DOÇ. DR. RECEP YUMURTACI
- Zemin üzeri dış duvarlarda seçenek özelliklerinin tanımlanması
Başlık çevirisi yok
UĞUR BAŞARAN
Yüksek Lisans
Türkçe
1998
Mimarlıkİstanbul Teknik ÜniversitesiMimarlık Ana Bilim Dalı
DOÇ. DR. MURAT AYGÜN