-
题名结合视觉Mamba和块特征分布的工业异常检测
- 1
-
-
作者
刘建明
庄维宽
-
机构
江西师范大学数字产业学院
江西师范大学计算机信息工程学院
-
出处
《中国图象图形学报》
北大核心
2025年第10期3215-3229,共15页
-
基金
国家自然科学基金项目(62266022)
江西省自然科学基金项目(20242BAB25110)。
-
文摘
目的工业异常检测在现代工业生产中具有至关重要的作用,现有的工业异常检测方法主要是基于卷积神经网络(convolutional neural network,CNN)或视觉变换器(vision Transformer,ViT)网络来实现。然而,CNN存在难以处理长距离依赖关系的不足,而ViT又面临时间复杂度高的问题。基于此,提出一种结合视觉Mamba和块特征分布的无监督工业异常检测模型。方法该模型包含两个互补分支网络:块特征分布估计网络和基于视觉Mamba的自编码重建网络。块特征分布估计网络主要依赖局部块特征进行异常检测,通过融合高效的预训练块特征描述网络以及视觉Mamba编码器提取的正常样本的块特征,学习一个高斯混合密度网络来估计正常样本局部块特征的分布。在测试阶段利用高斯混合密度网络估计异常图像的各个位置的异常得分,从而得到一个局部异常得分图(local anomaly map,LAM);基于视觉Mamba的自编码重构网络则利用视觉Mamba编码器来捕捉长距离关联特征,增强对跨不同类别和形态的复杂异常图像的全局建模能力,在测试阶段利用重建误差估计异常图像的全局异常得分图(global anomaly map,GAM);最后,合并LAM和GAM得到最终检测结果。结果在MvTec AD(MvTec anomay detection dataset)、VisA和BTAD(bean tech anomaly detection)等公开数据集上与其他先进算法进行了比较,取得了有竞争力的结果。在MvTec AD数据集上所提模型相比性能第2的模型在像素级上AU-ROC(area under the receiver operating characteristic curve)指标提升了0.9%,在图像级上AU-ROC指标提升了2.4%。在BTAD数据集所提模型相比性能第2的模型在图像级上AU-ROC提升0.4%。在VisA数据集上模型相比性能第2的模型在像素级上AU-ROC指标提升了0.6%。结论将视觉状态空间用于图像重建检测图像异常是可行的,检测效果具有竞争力。
-
关键词
异常检测
异常分割
视觉状态空间模型(SSM)
高斯密度混合网络
异常数据集
-
Keywords
anomaly detection
anomaly segmentation
vision state space model(SSM)
Gaussian density approximation network
anomalydataset
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
