PNI : Détection d'anomalies industrielles utilisant les informations de position et de voisinage

Étant donné que les échantillons anormaux ne peuvent pas être utilisés pour l’entraînement, de nombreuses méthodes de détection et de localisation des anomalies reposent sur des réseaux pré-entraînés et des modèles non paramétriques afin d’estimer la distribution des caractéristiques encodées. Toutefois, ces approches négligent l’impact de l’information de position et de voisinage sur la distribution des caractéristiques normales. Pour surmonter cette limitation, nous proposons un nouvel algorithme, \textbf{PNI}, qui estime la distribution normale à l’aide d’une probabilité conditionnelle fondée sur les caractéristiques de voisinage, modélisée par un réseau de perceptrons multicouches. En outre, l’information de position est exploitée en construisant un histogramme des caractéristiques représentatives à chaque position. Contrairement à une simple redimensionnement de la carte d’anomalie, la méthode proposée utilise un réseau supplémentaire, entraîné sur des images synthétiques d’anomalies, afin d’améliorer l’interpolation et de mieux tenir compte de la forme et des contours de l’image d’entrée. Des expériences ont été menées sur le jeu de données de référence MVTec AD, où notre approche atteint des performances de pointe, avec des scores AUROC respectifs de \textbf{99,56\%} pour la détection d’anomalies et de \textbf{98,98\%} pour la localisation.