SLSG : Détection d’anomalies dans les images industrielles par apprentissage de représentations fonctionnelles améliorées et classification à un seul type

La détection d’anomalies dans les images industrielles dans le cadre de la classification à une seule classe présente une valeur pratique importante. Toutefois, la plupart des modèles existants peinent à extraire des représentations de caractéristiques séparables lors de l’encodage des caractéristiques, et rencontrent des difficultés à construire des descriptions compactes des caractéristiques normales lors de la classification à une seule classe. Une conséquence directe de ce phénomène est que la plupart des modèles se comportent médiocrement lors de la détection d’anomalies logiques, qui violent les relations contextuelles. En nous concentrant sur une détection d’anomalies plus efficace et plus complète, nous proposons un réseau basé sur l’apprentissage auto-supervisé et la convolution de graphe à attention auto-attentive (SLSG) pour la détection d’anomalies. Le modèle SLSG utilise un réseau de pré-entraînement génératif afin d’aider l’encodeur à apprendre l’encodage des motifs normaux ainsi que le raisonnement des relations de position. Par la suite, SLSG introduit une connaissance a priori pseudo-étendue sur les anomalies à travers des échantillons anormaux simulés. En comparant ces anomalies simulées, SLSG parvient à mieux synthétiser les caractéristiques normales et à réduire la hypersphère utilisée pour la classification à une seule classe. En outre, grâce à la construction d’une structure de graphe plus générale, SLSG modélise de manière exhaustive les relations denses et éparse entre les éléments de l’image, ce qui renforce davantage la détection des anomalies logiques. Des expériences étendues sur des jeux de données standard montrent que SLSG atteint des performances supérieures en détection d’anomalies, démontrant ainsi l’efficacité de notre méthode.