Unüberwachtes Lernen ist derzeit der dominierende Forschungsansatz im Bereich der Fehlererkennung bei Industrieprodukten und lässt sich hauptsächlich in zwei Methoden unterteilen: basierend auf Rekonstruktion und basierend auf Merkmalen. Erstere erstellen eine inhaltsbewusste Abbildung, um anomale Bereiche in normale Bereiche abzubilden und Fehler anhand von Restbildkarten zu erkennen, wobei der Fokus auf der Gesamtleistung des Bildes liegt. Letztere nutzen hochstufige semantische Merkmale zur Lokalisierung von Anomalien und legen mehr Wert auf die Darstellung feiner Details im Bild. Basierend auf den Vor- und Nachteilen beider Methoden schlägt dieser Artikel eine Methode vor, die Merkmale und Rekonstruktion kombiniert, um die Vorteile beider effektiv zu verbinden, ihre Schwächen zu ergänzen und ein einheitliches End-to-End-Lernen und eine Inferenz zu ermöglichen. Zunächst wird ein Rekonstruktionsmodell trainiert, dann wird ein normalisierter Flussmodell verwendet, um die Wahrscheinlichkeitsverteilung der hochwahrscheinlichen Daten normaler Eingabeproben vollständig zu erlernen, wodurch es mit dem Rekonstruktionsmodell verschmolzen wird und die Genauigkeit der Defekterkennung und -lokalisierung des Rekonstruktionsmodells effektiv verbessert. Auf dem weit verbreiteten MVTec AD-Datensatz erreichte das vorgeschlagene Fusionmodell eine durchschnittliche Bild-AUROC von 98,7 % und eine durchschnittliche Pixel-AUROC von 94,2 %, wobei eine Steigerung von 3,3 % gegenüber dem einzelnen Rekonstruktionsmodell verzeichnet wurde. Das vorgeschlagene Fusionmodell aus Merkmalen und Rekonstruktion verbesserte deutlich die Defizite des Rekonstruktionsnetzwerks bei der Defektlokalisierung und machte die Ergebnisse präziser.

Anomalieerkennung;Rekonstruktion;Speichermodul;Flussmodell;Fusionsalgorithmus