Komponentenbewusstes Anomalieerkennungsframework für einstellbare und logische industrielle visuelle Prüfung

Die industrielle visuelle Prüfung zielt darauf ab, Oberflächenfehler in Produkten während des Fertigungsprozesses zu erkennen. Obwohl existierende Anomalieerkennungsmodelle auf vielen öffentlichen Benchmarks ausgezeichnete Leistungen gezeigt haben, hemmen ihre begrenzte Anpassbarkeit und ihre Fähigkeit, logische Anomalien zu erkennen, eine breitere Verwendung in realen Anwendungen. In diesem Artikel schlagen wir einen neuen, komponentenbasierten Anomalieerkennungsrahmen (ComAD) vor, der für industrielle Szenarien gleichzeitig anpassbare und logische Anomalieerkennung ermöglicht. Insbesondere schlagen wir vor, Bilder in mehrere Komponenten zu segmentieren, basierend auf einem leichten und fast trainingsfreien unsupervisierten semantischen Segmentierungsmodell. Danach entwickeln wir ein interpretierbares Modell zur Erkennung von logischen Anomalien durch die Modellierung der metrischen Merkmale jeder Komponente und ihrer Beziehungen. Trotz seiner Einfachheit erreicht unser Rahmenwerk den aktuellen Stand der Technik bei der bildbasierten Erkennung von logischen Anomalien. Gleichzeitig bietet die Segmentierung eines Produktbildes in mehrere Komponenten eine neue Perspektive für die industrielle visuelle Prüfung, wodurch großes Potenzial für die Modellanpassung, Rauschwiderstand und Anomalieklassifizierung demonstriert wird. Der Code wird unter https://github.com/liutongkun/ComAD verfügbar sein.