Progressive Boundary-Geführte Anomaliesynthese für die industrielle Anomaliedetektion

Unüberwachte Anomalieerkennungsmethoden können Oberflächenfehler in industriellen Bildern durch das Ausnutzen von nur normalen Stichproben für die Schulung identifizieren. Aufgrund des Risikos eines Überanpassens beim Lernen aus einer einzelnen Klasse werden Anomaliesynthesestrategien eingeführt, um die Erkennungsfähigkeit durch die Generierung künstlicher Anomalien zu verbessern. Bestehende Strategien hängen jedoch stark von anomalen Texturen aus Hilfsdatensätzen ab. Darüber hinaus können ihre Einschränkungen in der Abdeckung und Richtung der Anomaliesynthese dazu führen, dass nützliche Informationen nicht erfasst werden und es zu erheblichen Redundanzen kommt. Um diese Probleme anzugehen, schlagen wir eine neuartige progressive grenzgeführte Anomaliesynthesestrategie (PBAS) vor, die kritische Merkmals-Level-Anomalien ohne Hilfstexturen gerichtete synthetisieren kann. Sie besteht aus drei Kernkomponenten: approximativer Grenzlernprozess (ABL), Anomaliesynthese auf Merkmalsbasis (AFS) und verfeinerter Grenzoptimierung (RBO). Um die Verteilung der normalen Stichproben kompakter zu gestalten, lernt ABL zunächst eine approximative Entscheidungsgrenze durch Zentrumseinschränkung, was die Zentrumsinitialisierung durch Merkmalausrichtung verbessert. AFS synthetisiert dann gerichtete Anomalien mit flexibleren Skalen unter der Führung der Hypersphärenverteilung der normalen Merkmale. Da die Grenze so locker ist, dass sie reale Anomalien enthalten könnte, optimiert RBO die Entscheidungsgrenze durch die binäre Klassifikation von künstlichen Anomalien und normalen Merkmalen. Experimentelle Ergebnisse zeigen, dass unsere Methode den Stand der Technik in Bezug auf Leistung und Geschwindigkeit bei der Erkennung auf drei weit verbreiteten industriellen Datensätzen erreicht, darunter MVTec AD, VisA und MPDD. Der Code wird verfügbar sein unter: https://github.com/cqylunlun/PBAS.