Flux à cross-échelle entièrement convolutionnels pour la détection de défauts basée sur les images

Dans les processus industriels de fabrication, les erreurs surviennent fréquemment à des moments imprévisibles et sous des formes inconnues. Nous abordons le problème de la détection automatique des défauts sans nécessiter d’images d’éléments défectueux. Les travaux récents modélisent la distribution des données d’images sans défaut en s’appuyant soit sur des a priori statistiques forts, soit sur des représentations de données trop simplifiées. À l’inverse, notre approche traite des représentations à haute résolution en intégrant à la fois le contexte global et local de l’image, tout en estimant de manière flexible la densité. À cette fin, nous proposons un nouveau modèle de flux normalisant entièrement convolutif à plusieurs échelles (CS-Flow), capable de traiter simultanément plusieurs cartes de caractéristiques à différentes échelles. L’utilisation des flux normalisants pour attribuer des probabilités significatives aux échantillons d’entrée permet une détection efficace des défauts au niveau de l’image. De plus, grâce à la préservation de l’arrangement spatial, l’espace latent du flux normalisant est interprétable, ce qui permet d’identifier précisément les régions défectueuses dans l’image. Notre travail établit un nouveau record sur les jeux de données de référence Magnetic Tile Defects et MVTec AD pour la détection de défauts au niveau de l’image, atteignant un AUC de 100 % sur 4 classes parmi les 15.