В связи с существующими проблемами алгоритмов промышленного обнаружения аномалий, такими как низкая точность обнаружения мелких дефектов, слабая способность извлечения многомасштабных признаков и низкая точность сегментации аномалий, предлагается промышленная сеть обнаружения аномалий, сочетающая высокочастотное остаточное руководство и многомасштабное внимание для объединения признаков. Во-первых, для проблемы традиционной обработки полного спектра, приводящей к потере высокочастотных деталей, разработана стратегия разделения частотной области с использованием гауссового фильтра для извлечения высокочастотных остаточных признаков, усиления возможностей сети по обнаружению мелких аномалий; во-вторых, учитывая недостаточную способность обычных сверточных сетей к представлению сложной текстуры и низкую дифференцируемость аномалий от фона, на этапе кодировщика дискриминационной сети внедрён глобально усиленный многомасштабный модуль внимания GEMA, который с помощью параллельных двухпутевых путей захватывает многомасштабную локальную информацию в горизонтальном и вертикальном направлениях, усиливая заметные признаки в различных пространственных позициях и повышая дифференцируемость признаков на сложном фоне; наконец, на этапе декодера дискриминационной сети интегрирован модуль внимания координат CoordAtt, который динамически модулирует вес признаков путём разложения координатных осей, обеспечивая точное пространственное позиционирование аномальных областей. Эксперименты показали, что на открытом наборе данных MVTec AD средний уровень AUROC на уровне изображений улучшенной модели составил 98,6%, а средний AUROC и AP на уровне пикселей — 97,6% и 73,2% соответственно, существенно повышая эффективность промышленного обнаружения аномалий.

Промышленное обнаружение аномалий;Высокочастотное руководство;Многомасштабное пространственное восприятие;Механизм внимания