摘要
التعلم غير الخاضع للرقابة هو اتجاه البحث السائد حاليًا في مجال كشف عيوب المنتجات الصناعية، وينقسم حاليًا إلى نوعين من الطرق: القائمة على إعادة البناء والقائمة على الميزات. يعتمد النوع الأول على إنشاء تحويل إدراكي للمحتوى لتحويل المناطق الشاذة إلى مناطق طبيعية وكشف العيوب من خلال صور الفروق، مع التركيز على الأداء العام للصورة. أما النوع الثاني فيستخدم الميزات الدلالية العليا لتحقيق تحديد المواقع الدقيقة للعيوب، مع التركيز أكثر على عرض التفاصيل الدقيقة للصورة. استنادًا إلى مزايا وعيوب الطريقتين، تقترح هذه الورقة طريقة تدمج بين التعلم القائم على الميزات وإعادة البناء، مما يجمع بشكل فعال مزايا كل منهما لتعويض نقاط الضعف وتحقيق تعلم واستدلال موحد من البداية للنهاية. أولاً، يتم تدريب نموذج إعادة بناء، ثم يتم استخدام نموذج التدفق الطبيعي لتعلم توزيع احتمالية بيانات العينات الطبيعية ذات الاحتمالية العالية بشكل كامل، مما يدمج هذا مع نموذج إعادة البناء، ويعزز بشكل فعال دقة الكشف عن العيوب وتحديد مواقعها في نموذج إعادة البناء. على مجموعة بيانات MVTec AD المستخدمة على نطاق واسع، حقق نموذج الدمج المقترح متوسط AUROC على مستوى الصورة بلغ 98.7٪، ومتوسط AUROC على مستوى البكسل بلغ 94.2٪، ولا سيما مقارنة بنموذج إعادة البناء الفردي تم تحسينه بنسبة 3.3٪. لقد حسّن نموذج الدمج بين الميزات ونموذج إعادة البناء بشكل ملحوظ أوجه القصور في جزء شبكة إعادة البناء لتحديد مواقع العيوب، مما يجعل النتائج أكثر دقة.
关键词
الكشف عن الشذوذ;إعادة البناء;وحدة الذاكرة;نماذج التدفق;الخوارزميات الدمجية
以上内容由讯飞翻译自动生成，翻译内容仅供参考。对于因使用本网站翻译内容产生的相关后果，本网站不承担任何商业和法律责任。
The above content is generated by Large Model Translation. The translated content is for reference only. We do not assume any commercial or legal responsibilty for any consequences arising from the use of our website