Pour résoudre les problèmes des algorithmes actuels de détection d'anomalies industrielles, tels que la faible précision de détection des défauts de petite taille, la faible capacité d'extraction des caractéristiques multi-échelles et la faible précision de segmentation des anomalies, un réseau de détection d'anomalies industriel combinant un guidage par résidu haute fréquence et une fusion de caractéristiques multi-échelles avec attention a été proposé. Tout d'abord, pour le problème de perte des détails haute fréquence causée par le traitement traditionnel en pleine fréquence, une stratégie de séparation du domaine fréquentiel a été conçue, utilisant un filtre à noyau gaussien pour extraire les caractéristiques de résidu haute fréquence, renforçant la capacité du réseau à détecter des anomalies microscopiques ; ensuite, face à la capacité limitée des réseaux convolutifs classiques à représenter des textures complexes et à la faible distinction entre anomalies et arrière-plan, un module d'attention multi-échelles globalement renforcé GEMA a été intégré à la phase encodeur du réseau discriminateur, capturant parallèlement des informations locales multi-échelles dans les directions horizontale et verticale, renforçant les caractéristiques saillantes à différentes positions spatiales et améliorant la distinction des caractéristiques sous un arrière-plan texturé complexe ; enfin, au stade décodeur du réseau discriminateur, un module d'attention de coordonnées CoordAtt a été intégré, qui décompose les axes de coordonnées pour moduler dynamiquement les poids des caractéristiques, réalisant un positionnement spatial précis des zones anormales. Les expériences ont montré que sur le jeu de données public MVTec AD, le modèle amélioré atteint une moyenne AUROC de 98,6 % au niveau image, et des moyennes AUROC et AP au niveau pixel de 97,6 % et 73,2 % respectivement, améliorant ainsi efficacement l'efficacité de la détection d'anomalies industrielles.

Détection d'anomalies industrielles; guidage par composantes haute fréquence; perception spatiale multi-échelles; mécanisme d'attention