一个多类别的异常编辑网络与相关性探索和voxel级别的注意力,用于无监督地表异常检测

科学领域:

• 计算机视觉 计算机视觉
• 机器学习 机器学习
• 人工智能的人工智能

背景情况:

• 由于产品类别的变化,表面异常检测具有挑战性.
• 现有的特征编辑方法用于异常检测仅限于特定的产品类型.
• 自动编码器经常过度泛化,阻碍了准确的异常重建.

研究的目的:

• 开发一个统一的,多类别的表面异常检测模型.
• 克服现有方法在跨产品类别的概括方面的局限性.
• 为了提高异常细分的准确性和精度.

主要方法:

• 一个多类异常编辑网络,采用双分支训练方法 (正常和异常分支).
• 使用基于多类异常特征编辑的自动编码器 (MCAFE-AE) 来进行重建和inpainting.
• 在正常分支中包含双受约束的深嵌入集群 (DEC-DECM) 和基于补丁的自适应值 (PAT).
• 在异常分支中使用多类异常特征编辑模块 (MCAFEM).
• 开发了相关性探索和基于voxel级别的注意力预测网络 (CEVA-Net) 与相关性依赖探索和基于voxel级别的注意力改进模块 (CDE-VARM) 进行细分.

主要成果:

• 拟议的方法在三个基准数据集上实现了最先进的性能.
• 在多个产品类别中检测和细分表面异常方面表现出卓越的性能.
• 双分支方法有效地处理正常和异常特征的变化.

结论:

• 开发的多类异常编辑网络为表面异常检测提供了强大的解决方案.
• 新的架构和培训策略显著提高了概括能力.
• 这项工作推进了工业检查中的异常检测领域.