深度生成式异常检测算法在高速工业生产线上的集成
计算机视觉与模式识别
2026-03-10 v1 人工智能
机器学习
摘要
制药生产中工业视觉检查需在严格的循环时间、硬件占用和运行成本限制下实现高准确率。人工线内检查仍属常见做法，但受制于操作员的可变性和产能受限。经典基于规则的计算机视觉流程往往僵化，难以扩展到高度变动的生产场景。为此，我们提出一种基于生成对抗网络架构、带残差自编码器和稠密瓶颈的半监督异常检测框架，专为在高速气液封片(BFS)生产线上在线部署而设计。该模型仅使用正样本进行训练，通过重建残差检测异常，同时通过热力图提供分类和空间定位功能。训练集包含2,815,200个灰度补丁。实验在真实工业测试套件上表现出高检测性能，同时满足500毫秒获取窗口的时间约束。
引用
@article{arxiv.2603.07577,
title = {Integration of deep generative Anomaly Detection algorithm in high-speed industrial line},
author = {Niccolò Ferrari and Nicola Zanarini and Michele Fraccaroli and Alice Bizzarri and Evelina Lamma},
journal= {arXiv preprint arXiv:2603.07577},
year = {2026}
}
备注
Preprint under review at a Springer Nature journal. 36 pages, 3 tables, 29 figures. Updated and expanded version of the SSRN preprint (abstract_id=4858664), with substantial revisions and Springer Nature formatting