الكشف عن التكوين المنطقي للكشف عن العيوب الصناعية من خلال التجزئة الجزئية القائمة على أمثلة قليلة

تشير الانomalيات المنطقية (LA) إلى البيانات التي تنتهك القيود المنطقية الأساسية، مثل الكمية أو الترتيب أو التركيب المكونات داخل صورة ما. يتطلب الكشف الدقيق عن هذه الانomalيات نماذج قادرة على التفكير في أنواع مختلفة من المكونات من خلال التجزئة. ومع ذلك، فإن تجهيز التسميات على مستوى البكسل للتجزئة الدلالية هو عملية تستهلك وقتًا كثيرًا وتكاليف عالية. وعلى الرغم من وجود بعض الخوارزميات السابقة لتجزئة المكونات المشتركة في بيئة قليلة العينات أو غير المراقبة، فإنها غالبًا ما تفشل عند التعامل مع الصور التي تحتوي على كائنات صناعية. حيث تحتوي هذه الصور على مكونات ذات نسيج وشكل مشابه، مما يجعل التمييز الدقيق بينها أمرًا صعبًا. في هذه الدراسة، نقدّم نموذجًا جديدًا لتجزئة المكونات للكشف عن الانomalيات المنطقية، يعتمد على عدد قليل من العينات المُعلّمة والصور غير المُعلّمة التي تشارك في قيود منطقية مشتركة. لضمان التجزئة المتسقة عبر الصور غير المُعلّمة، نستخدم خسارة مطابقة التوزيع التكراري مع خسارة الإنتروبيا. وبما أن تنبؤات التجزئة تلعب دورًا محوريًا، نقترح تحسين الكشف عن صحة العينات المحلية والعالمية من خلال التقاط الجوانب الأساسية من الدلالة البصرية عبر ثلاث بنوك ذاكرة: توزيعات التصنيف، وتمثيلات تكوين المكونات، وتمثيلات مستويات البكسل. ولتحقيق كشف فعّال عن الانomalيات المنطقية، نقترح استراتيجية توحيد تلقائية لتوحيد درجات الشذوذ الناتجة عن بنوك الذاكرة المختلفة أثناء الاستدلال. أظهرت التجارب الواسعة على المعيار العام MVTec LOCO AD أن أسلوبنا يحقق 98.1% من AUROC في الكشف عن الانomalيات المنطقية مقابل 89.6% من الأساليب المنافسة.