Réseau de reconstruction de caractéristiques multi-échelle pour la détection d'anomalies industrielles

Les techniques non supervisées de détection d’anomalies, qui fonctionnent sans connaissance préalable des anomalies, ont suscité un intérêt croissant dans le domaine de l’inspection industrielle en raison de leur adaptabilité et de leur capacité de généralisation. Par conséquent, les méthodes de vision par ordinateur fondées sur les connaissances ont été largement appliquées pour identifier des motifs d’image atypiques. Toutefois, les applications industrielles en temps réel posent des défis tels qu’un nombre limité d’échantillons anormaux, un manque de connaissance sur les défauts et des textures de fond complexes. Ces facteurs entraînent des difficultés à identifier avec précision les régions défectueuses, et les réseaux auto-encodeurs classiques peinent souvent à surmonter ces limitations. Pour pallier ces inconvénients, nous proposons un réseau de reconstruction de caractéristiques multi-échelle (MSFR), spécifiquement conçu pour les scénarios de décalage de domaine. Notre approche utilise un réseau de transformateur en vision pyramidal (PVTN) pour reconstruire des cartes de caractéristiques multi-échelle, capturant ainsi des caractéristiques discriminantes à différentes échelles. En outre, un module pré-entraîné extrait des caractéristiques à plusieurs niveaux à la même échelle, tandis qu’un module dédié de correspondance de caractéristiques améliore la précision en augmentant la probabilité d’alignement entre les caractéristiques. La stratégie MSFR dépasse les auto-encodeurs classiques en filtrant les informations au niveau des pixels à plusieurs profondeurs. Des évaluations empiriques ont été menées à l’aide de jeux de données de référence tels que MVTec AD et AeBAD-S. En outre, une étude d’ablation approfondie démontre l’efficacité et la faisabilité de l’approche MSFR proposée pour les tâches de détection d’anomalies industrielles. Les résultats expérimentaux montrent que le modèle proposé surpasse significativement les approches récentes, le rendant particulièrement adapté aux applications industrielles réelles, notamment dans le secteur de la fabrication.