Ano-SuPs：通过识别可疑块实现制造产品的多尺度异常检测
机器学习
2025-01-06 v2 机器学习
摘要
基于图像的系统因其能够提供丰富的制造状态信息、低实施成本和高采集速率而日益流行。然而，图像背景的复杂性以及多样的异常模式对现有的矩阵分解方法提出了新挑战，使其无法满足建模需求。此外，异常的不确定性会引发异常污染问题，使得所设计的模型与方法极易受外部干扰。为应对这些挑战，我们提出一种两阶段策略的异常检测方法，通过识别可疑块（Ano-SuPs）来检测异常。具体而言，我们提出通过对输入图像进行两次重建来检测含异常的块：第一步是通过移除那些可疑块来获得一组正常块，第二步是利用这些正常块来精炼含异常块的识别。为证明其有效性，我们通过仿真实验与案例研究对提出的方法进行了系统评估。我们进一步识别了影响模型性能与效率的关键参数和设计步骤。
引用
@article{arxiv.2309.11120,
title = {Ano-SuPs: Multi-size anomaly detection for manufactured products by identifying suspected patches},
author = {Hao Xu and Juan Du and Andi Wang and YingCong Chen},
journal= {arXiv preprint arXiv:2309.11120},
year = {2025}
}
备注
accepted oral presentation at the 18th INFORMS DMDA Workshop