Zur Lösung der Probleme bestehender industrieller Anomalieerkennungsalgorithmen wie niedriger Genauigkeit bei der Erkennung kleiner Defekte, schwacher Fähigkeit zur mehrskaligen Merkmalsextraktion und geringer Genauigkeit bei der Anomaliesegmentierung wird ein industrielles Anomalieerkennungsnetzwerk vorgeschlagen, das hochfrequente Restführung und mehrskalige aufmerksamkeitsbasierte Merkmalsfusion kombiniert. Erstens wurde für das Problem des Informationsverlusts der hochfrequenten Details durch die herkömmliche Vollfrequenzverarbeitung eine Frequenzbereichstrennungsstrategie entwickelt, bei der ein Gauß-Kernfilter verwendet wird, um hochfrequente Restmerkmale zu extrahieren und die Fähigkeit des Netzwerks zur Erkennung kleiner Anomalien zu stärken; zweitens wurde zur Behebung der unzureichenden Darstellung komplexer Texturen und der geringen Unterscheidung zwischen Anomalien und Hintergrund in der Encoder-Phase des Diskriminatornetzwerks ein global verstärktes mehrskaliges Aufmerksamkeitsmodul GEMA eingebettet, das parallel zweigleisig mehrskalige lokale Informationen in horizontaler und vertikaler Richtung erfasst, signifikante Merkmale an unterschiedlichen räumlichen Positionen stärkt und die Merkmalsunterscheidung bei komplexem texturiertem Hintergrund verbessert; schließlich wurde in der Decoder-Phase des Diskriminatornetzwerks ein Koordinatenaufmerksamkeitsmodul CoordAtt integriert, das durch Dimensionierung der Koordinatenachsen die Merkmalsgewichte dynamisch moduliert und eine präzise räumliche Lokalisierung anomaler Bereiche ermöglicht. Experimente zeigen, dass das verbesserte Modell im öffentlichen MVTec AD-Datensatz einen durchschnittlichen AUROC auf Bildebene von 98,6 % und durchschnittliche AUROC- und AP-Werte auf Pixelebene von 97,6 % bzw. 73,2 % erreicht, was die Effektivität der industriellen Anomalieerkennung deutlich verbessert.

Industrielle Anomalieerkennung; hochfrequenzgeführte Komponenten; mehrskalige räumliche Wahrnehmung; Aufmerksamkeitsmechanismus