摘要
目的本文提出了一种面向喷码字符异常检测定位的多尺度可变形特征融合模型,以实现无监督异常检测。方法本文构建了真实工业场景下的喷码字符数据集,仅以正常样本训练,并用少量缺陷样本进行测试。结果模型采用可变形自适应切割及动态融合策略,有效解决固定网格分割带来的语义断裂问题。在自制数据集上,模型较基线GLASS方法取得明显提升:Img-AUROC和Pix-AUROC分别达到97.9%和98.8%,较基线提升1.4%和1.7%。结论该方法为喷码字符异常检测提供了高效、可推广的新思路,对智能制造领域质量控制具有重要应用价值。
出处
《实验室检测》
2025年第19期91-93,共3页
Laboratory Testing
基金
杭州市重大科技创新项目:基于小样本深度学习的工业图像边缘运算系统与应用(2022AIZD0070)。
