基于知识优先记忆区分的生成对抗网络在工业异常检测与定位中的应用

摘要

工业异常检测与定位已成为现代制造业中确保产品质量的关键流程。然而，基于深度学习的无监督异常检测方法在同时实现高精度检测与定位以及端到端生成高质量异常掩膜方面仍面临挑战。此外，正常样本数量有限以及异常数据的随机性导致可用于模型训练的判别信息不足。为此，我们提出了一种基于知识先验的记忆判别生成对抗网络（KMDGAN），该网络能够在仅使用少量异常样本的情况下实现高性能的工业异常检测与定位。KMDGAN利用正常样本和异常样本的特征来学习特征级的空间关系，并端到端生成准确的异常掩膜。首先，基于知识先验判别的理念，设计了一个记忆特征匹配模块来构建正常产品特征的记忆知识库，并结合空间位置特征的正面与负面差异信息，从而提升异常区域的检测与定位能力。其次，开发了一个跨尺度特征融合模块，通过注意力优化解决多尺度特征冗余问题；同时，异常图调制技术增强了全局上下文与局部细节的融合效果。最后，设计了边缘-上下文混合模块，通过充分提取异常样本特征的边缘信息和整体信息来弥补单一信息的局限性，提升感知理解能力。在MVTec AD和VisA数据集上的实验结果表明，我们的KMDGAN模型在异常检测与定位方面表现出色，性能优于现有的先进方法。