工业质量控制中基于自监督迭代优化的异常检测

本研究提出了一种名为迭代精炼过程（Iterative Refinement Process, IRP）的稳健异常检测方法，专为高风险工业质量控制场景设计。IRP通过循环式数据精炼策略，持续剔除具有误导性的数据点，从而提升模型的检测精度与鲁棒性。我们利用两个基准数据集——Kolektor SDD2（KSDD2）和MVTec AD——对IRP的有效性进行了验证，这两个数据集涵盖了广泛类型的工业产品及缺陷类别。实验结果表明，IRP在各类场景下均显著优于传统异常检测模型，尤其在高噪声环境下表现更为突出。本研究充分展示了IRP在工业异常检测应用中的巨大潜力，能够有效应对稀疏数据与噪声干扰等实际挑战。