산업 시각 이상 탐지는 실제 검사 시스템이 고도의 불균형 데이터, 다양한 결함 패턴, 제한된 계산 자원 및 해석 가능성에 대한 증가하는 수요 속에서 높은 탐지 정확도를 달성해야 하기 때문에 여전히 도전적입니다. 본 연구는 한정된 수의 레이블이 있는 이상 샘플이 존재하는 환경에서 산업 이미지를 위한 가볍고 효과적이며 설명 가능한 이상 탐지 프레임워크를 개발하는 것을 목표로 합니다. 우리는 선형 글로벌 구조를 포착하기 위한 PCA 분기와 다중 규모 질감을 모델링하기 위한 산란 분기를 통합한 특징 기반의 이중 분기 감독 앙상블 방법을 제안합니다. 각 특징 분기에서 고전적 학습기의 이질적인 풀(SVM, RF, ET, XGBoost 및 LightGBM)을 훈련시키고, 계층화된 K-겹 훈련, 확률 보정 및 분위수 기반 임계값 검색을 통해 안정적인 확률 출력을 획득합니다. 그런 다음 결정 수준 융합은 선택된 상위 K 기본 학습자의 아웃 오브 폴드 확률 위에 메타 학습기로서 로지스틱 회귀, XGBoost 및 LightGBM을 스태킹하여 수행됩니다. 두 개의 공개 벤치마크(MVTec AD 및 BTAD)에서의 실험은 제안된 방법이 최상의 PCA 기반 단일 모델을 상당히 개선하여, 비교 가능한 추론 복잡도 하에 각각 약 31%(MVTec AD) 및 26%(BTAD)의 상대 F1 점수 개선을 달성하고 최대 AUC 값은 각각 약 0.91 및 0.96에 이르렀음을 보여줍니다. 전반적으로 결과는 고품질 수작업 특징과 감독 앙상블 융합의 결합이 자원이 제한된 산업 이상 탐지를 위해 무거운 심층 모델에 대한 실용적이고 해석 가능한 대안/보완 제공함을 입증하며, 향후 작업은 도전적인 클래스에서의 견고성을 더욱 향상시키기 위한 보다 범주 적응적인 결정 전략을 탐색할 것입니다.
Cai et al. (목요일,) 이 문제를 연구했습니다.