A aprendizagem não supervisionada é atualmente a principal direção de pesquisa no campo da detecção de defeitos em produtos industriais, dividida principalmente em dois tipos de métodos: baseados em reconstrução e baseados em características. O primeiro constrói um mapeamento consciente do conteúdo para mapear regiões anômalas em regiões normais e detectar defeitos por meio de imagens residuais, focando na apresentação geral da imagem. O segundo utiliza características semânticas de alto nível para localizar anomalias, dando mais atenção aos detalhes da imagem. Com base nas vantagens e desvantagens de ambos os métodos, este artigo propõe um método que integra características e reconstrução, combinando efetivamente os pontos fortes de ambos para compensar suas deficiências e realizar aprendizado e inferência unificados de ponta a ponta. Primeiro, um modelo de reconstrução é treinado, então é utilizado um modelo de fluxo normalizado para aprender completamente a distribuição de probabilidade dos dados de alta probabilidade das amostras normais de entrada, integrando-o com o modelo de reconstrução, melhorando efetivamente a precisão da detecção e localização de defeitos do modelo de reconstrução. No conjunto de dados amplamente utilizado MVTec AD, o modelo de fusão proposto alcançou uma AUROC média no nível da imagem de 98,7% e uma AUROC média no nível do pixel de 94,2%, especialmente mostrando um aumento de 3,3% em comparação com o modelo de reconstrução único. O modelo de fusão de características e reconstrução proposto melhorou significativamente as deficiências da parte da rede de reconstrução na localização de defeitos, tornando os resultados mais precisos.

detecção de anomalias;reconstrução;módulo de memória;modelo de fluxo;algoritmo de fusão