Evaluating State-of-the-art Methods for Industrial Anomaly Detection

The importance of anomaly detection has grown considerably in recent years, with applications in a number of fields, including medicine and industry. In the context of industrial manufacturing, anomaly detection represents a pivotal computer vision task, offering the potential to identify defects in a range of products, including those exhibiting surface anomalies, textile defects, and other forms of product surface anomalies. Anomaly detection can be approached through three distinct methodological avenues: unsupervised, semisupervised and supervised. Researchers face difficulties when assessing disparate models without a unified framework. Moreover, some extant framework environments are challenging to configure. It is therefore imperative that a unified benchmark for image anomaly detection be established in order to bridge the gap between academic research and practical applications. To address this need, we propose the Industrial Anomaly Detection Benchmark Engine (IADBE), which integrates popular datasets. The learning paradigms of Few Shot, Memory Bank, One Shot and other similar approaches are analyzed in terms of their efficiency in training and inference speed. Subsequently, a comprehensive image anomaly detection benchmark platform has been constructed, comprising 22 algorithms on five standard datasets and custom datasets with a uniform setting. Moreover, the proposed IADBE presents a challenge to existing industrial anomaly detection benchmark methods and suggests future research directions. In order to ensure reproducibility and accessibility, the source code has been uploaded to the website: https://github.com/cjy513203427/IADBE.

Die Erkennung von Anomalien hat in den letzten Jahren erheblich an Bedeutung gewonnen und findet in einer Reihe von Bereichen Anwendung, darunter in der Medizin und der Industrie. Im Kontext der industriellen Fertigung stellt die Anomalieerkennung eine zentrale Aufgabe der Computer Vision dar, da sie die Möglichkeit bietet, Defekte in einer Reihe von Produkten zu identifizieren, einschließlich solcher, die Oberflächenanomalien, Textildefekte und andere Formen von Produktoberflächenanomalien aufweisen. Die Erkennung von Anomalien kann auf drei verschiedenen methodischen Wegen angegangen werden: Unsupervised, Semisupervised und Supervised. Forscher stehen vor Schwierigkeiten, wenn sie unterschiedliche Modelle ohne ein einheitliches Framework bewerten wollen. Darüber hinaus sind einige der vorhandenen Framework schwierig zu konfigurieren. Es ist daher zwingend erforderlich, einen einheitlichen Maßstab für die Erkennung von Bildanomalien zu schaffen, um die Kluft zwischen akademischer Forschung und praktischen Anwendungen zu überbrücken. Um diesen Bedarf zu decken, eignet sich die Industrial Anomaly Detection Benchmark Engine (IADBE), da sie populäre Datensätze integriert. Die Lernparadigmen Few Shot, Memory Bank, One Shot und andere ähnliche Ansätze werden im Hinblick auf ihre Effizienz beim Training und ihre Inferenzgeschwindigkeit analysiert. Anschließend wurde eine umfassende Benchmark-Plattform zur Erkennung von Bildanomalien erstellt, die 22 Algorithmen für 5 Standarddatensätze und benutzerdefinierte Datensätze mit einheitlichen Einstellungen umfasst. Darüber hinaus stellt die vorgeschlagene IADBE eine Herausforderung für die bestehenden Benchmark-Methoden zur Erkennung von Anomalien in der Industrie dar und schlägt zukünftige Forschungsrichtungen vor. Um die Reproduzierbarkeit und Zugänglichkeit zu gewährleisten, wurde der Quellcode auf die folgende Website hochgeladen: https://github.com/cjy513203427/IADBE.