Обучение без учителя является текущим основным направлением исследований в области обнаружения дефектов промышленных продуктов и в настоящее время делится на два типа методов: основанные на реконструкции и основанные на признаках. Первые строят контентно-осведомленное отображение для преобразования аномальных областей в нормальные и обнаружения дефектов с помощью карты остаточных изображений, уделяя внимание общему представлению изображения. Вторые используют высокоуровневые семантические признаки для локализации аномалий, уделяя больше внимания деталям изображения. Основываясь на достоинствах и недостатках двух методов, в статье предложен метод, основанный на объединении признаков и реконструкции, который эффективно сочетает преимущества обеих и компенсирует их недостатки, обеспечивая единое сквозное обучение и вывод. Сначала обучается модель реконструкции, затем используется нормализующий поток для полного изучения вероятностного распределения данных с высокой вероятностью входных нормальных образцов, что интегрируется с моделью реконструкции, эффективно повышая точность обнаружения и локализации дефектов. На широко используемом наборе данных MVTec AD предложенная объединенная модель достигла среднего AUROC на уровне изображения 98,7% и среднего AUROC на уровне пикселя 94,2%, при этом по сравнению с отдельной моделью реконструкции улучшение составило 3,3%. Предложенная объединенная модель признаков и реконструкции значительно улучшила недостатки части сети реконструкции в локализации дефектов, делая результаты более точными.

обнаружение аномалий;реконструкция;модуль памяти;потоковые модели;методы объединения