Reconstrucción Bi-Grid para la Detección de Anomalías de Imágenes

Área de la Ciencia:

• Visión por Computadora
• Aprendizaje Automático
• Inteligencia Artificial

Sus antecedentes:

• Los métodos no supervisados y autosupervisados ​​sobresalen en la detección general de anomalías industriales, pero tienen dificultades con los defectos de grano fino.
• Los métodos existentes basados ​​en la reconstrucción a menudo enfrentan desafíos como la sobredetección o la subdetección y el problema de la Identidad Directa (IS).

Objetivo del estudio:

• Proponer GRAD: Reconstrucción Bi-Grid para la Detección de Anomalías de Imágenes, un enfoque novedoso para la detección mejorada de anomalías de grano fino.
• Mejorar la generalización y la precisión de la detección en escenarios de detección de anomalías de imágenes industriales.

Principales métodos:

• Utiliza dos rejillas continuas como repositorios de características para ayudar a la reconstrucción, mejorando la generalización y mitigando el problema IS.
• Introduce una rejilla adicional para características anormales junto con una rejilla de características normales para refinar los límites de las características normales.
• Incorpora el módulo Feature Block Pasting (FBP) para sintetizar anomalías a nivel de características, lo que permite una rápida implementación de la rejilla anormal.

Principales resultados:

• Demuestra una mejora significativa sobre los métodos de vanguardia en conjuntos de datos industriales clásicos (MVTecAD, VisA, GoodsAD).
• Logra un rendimiento de detección mejorado para defectos de grano fino al refinar los límites de las características normales.
• Muestra idoneidad para un entorno de tarea unificado, lo que permite el entrenamiento de un solo modelo para múltiples clases.

Conclusiones:

• GRAD: Bi-Grid Reconstruction ofrece una solución robusta para la detección de anomalías de imágenes de grano fino en entornos industriales.
• El enfoque de doble rejilla y el módulo FBP abordan eficazmente las limitaciones de los métodos existentes, mejorando la precisión y la generalización.
• La adaptabilidad del método para la detección multiclase resalta su valor práctico en diversas aplicaciones industriales.