El aprendizaje no supervisado es la dirección principal de investigación actual en el campo de la detección de defectos en productos industriales, y actualmente se divide en dos tipos principales de métodos: basados en reconstrucción y basados en características. El primero construye un mapeo consciente del contenido para mapear regiones anómalas a regiones normales y detectar defectos mediante imágenes residuales, enfocándose en la representación global de la imagen. El segundo utiliza características semánticas de alto nivel para localizar anomalías, prestando más atención a la presentación detallada de la imagen. Basándose en las ventajas y desventajas de ambos métodos, este artículo propone un método que combina características y reconstrucción, integrando eficazmente las ventajas de ambos para complementar sus deficiencias y lograr un aprendizaje e inferencia unificados de extremo a extremo. Primero se entrena un modelo de reconstrucción, luego se utiliza un modelo de flujo normalizado para aprender completamente la distribución de probabilidad de datos con alta probabilidad de muestras normales de entrada, integrándolo con el modelo de reconstrucción y mejorando eficazmente la precisión de la detección y localización de defectos del modelo de reconstrucción. En el conjunto de datos MVTec AD, ampliamente utilizado, el modelo combinado propuesto alcanzó un AUROC promedio a nivel de imagen del 98,7 % y un AUROC promedio a nivel de píxel del 94,2 %, destacando una mejora del 3,3 % en comparación con el modelo de reconstrucción único. El modelo combinado de características y reconstrucción propuesto mejoró significativamente las deficiencias de la parte de la red de reconstrucción en la localización de defectos, haciendo los resultados más precisos.

detección de anomalías;reconstrucción;módulo de memoria;modelo de flujo;algoritmo de fusión