L'apprentissage non supervisé est actuellement la principale direction de recherche dans le domaine de la détection des défauts des produits industriels, et se divise principalement en deux méthodes : basées sur la reconstruction et basées sur les caractéristiques. La première méthode construit une cartographie consciente du contenu pour mapper les zones anormales en zones normales et détecter les défauts via des images résiduelles, en se concentrant sur la performance globale de l'image. La seconde utilise des caractéristiques sémantiques de haut niveau pour localiser les anomalies, mettant davantage l'accent sur les détails de l'image. En fonction des avantages et des inconvénients de ces deux méthodes, cet article propose une méthode fusionnant les caractéristiques et la reconstruction, combinant efficacement leurs points forts pour compenser leurs faiblesses et réalisant un apprentissage et une inférence unifiés de bout en bout. Un modèle de reconstruction est d'abord entraîné, puis un modèle de flux normalisé est utilisé pour apprendre pleinement la distribution de probabilité des données à haute probabilité des échantillons normaux en entrée, fusionné avec le modèle de reconstruction, améliorant efficacement la précision de la détection et de la localisation des défauts du modèle de reconstruction. Sur le jeu de données largement utilisé MVTec AD, le modèle fusionné proposé a atteint une AUROC moyenne au niveau de l'image de 98,7 % et une AUROC moyenne au niveau du pixel de 94,2 %, avec une amélioration de 3,3 % par rapport au modèle de reconstruction seul. Le modèle fusionné des caractéristiques et de la reconstruction proposé améliore considérablement les lacunes de la partie réseau de reconstruction dans la localisation des défauts, rendant les résultats plus précis.

détection d’anomalies;reconstruction;module de mémoire;modèle de flux;algorithme de fusion