医疗制造中的双模式深度异常检测：结构相似性与特征距离

医疗器械制造中的自动视觉检测面临独特挑战，包括极低的缺陷率、有限的标注数据、生产线上的硬件限制，以及需提供经验证且可解释的人工智能系统。本文提出了两种受注意力引导的自编码器架构，通过互补的异常检测策略解决这些约束。第一方法采用多尺度结构相似性 (4-MS-SSIM) 指数进行线内检测，实现受约束硬件上的可解释、实时缺陷检测。第二方法对随机降维后的潜在特征应用马氏距离进行高效特征空间监控和生命周期验证。两种方法均共享轻量化 Backbone，针对典型制造条件优化以处理高分辨率图像。针对表面密封图像 (SSI) 数据集——代表无菌密封包装检测——展示了在真实工业约束下，所提方法超越 MOCCA、CPCAE 和 RAG-PaDiM 等参考基线。跨域在 MVTec-Zipper 基准上的验证 confirms 所提方法的检测精度与最新异常检测方法相当。双模式框架集成了线内异常检测与监督式监控，推动可解释 AI 架构在安全关键制造环境中的可靠性、可观测性和生命周期监控水平。为促进可重复性，实验代码已在项目仓库中发布，数据集来自公开可用来源。