编辑推荐：
检测工业产品图像中的异常是质量控制的关键挑战，尤其在高分辨率复杂场景中。本文提出SADSeM算法，基于Mask-RCNN等分割模型，结合分割掩膜与特征嵌入实现无监督检测，在扩展性上优于现有方法且保持简单场景的竞争力。
斯特凡诺·萨梅莱（Stefano Samele）|弗朗切斯科·阿托雷（Francesco Attorre）|马泰奥·马泰乌奇（Matteo Matteucci）
米兰理工大学电子、信息与生物工程系，地址：Via Giuseppe Ponzio 34/5，米兰，20133，意大利
摘要
在产品图像中检测异常是工业质量控制中的关键任务，因为即使是微小的缺陷也可能对生产和财务产生影响。然而，在实际的工业环境中部署异常检测算法仍然具有挑战性，尤其是当产品体积较大、结构复杂或拍摄分辨率较高时。许多现有方法在保持精确度的同时难以有效扩展。本研究旨在开发一种能够有效处理更大、更复杂对象的算法。SADSeM（基于分割模型的异常检测扩展方法）采用经典的卷积神经网络（如Mask-RCNN）进行分割。得益于这些模型学习和编码对象结构的能力，我们设计了一个结合分割图和特征嵌入的流程来实现无监督异常检测。由于这些模型能够独立于图像大小完成分割任务，因此与竞争对手相比，我们能够在更高分辨率的图像上更高效地进行检测，同时在简单场景下也能保持良好的检测效果。
部分内容摘录
引言与相关工作
异常检测的本质是识别数据集中偏离预期或正常行为的实例。在工业环境中，异常检测是质量控制评估的重要工具。深度学习算法的进步为通过分析相机拍摄的图像实现完全自动化的质量控制流程带来了可能性。然而，这一过程面临诸多挑战，包括可能的复杂性……
用于异常检测的语义分割
识别图像中表示的对象的异常与理解该对象的基本组成部分密切相关。这种识别对象及其基本组件的方法促使我们基于分割模型开发了一套流程。其基本思想是对对象进行有组织、结构化的表示，然后在推理时将模型的输出与过去的学习结果进行比较。这种方法在处理……时应该会非常有效。
实验
本节介绍了我们提出的异常检测方法的实验评估。我们设计并执行了多项实验，以验证该方法在各种工业环境和场景下的有效性和鲁棒性。第一组实验涉及Mask-RCNN的微调过程；第二组实验通过消融研究评估了不同流程组件的积极影响；第三组实验将我们的性能与其他方法进行了对比。
结论
我们提出了一种用于检测工业产品高分辨率图像中异常的新方法。该方法结合了微调后的分割模型、特征定位与提取技术以及评分算法。与最先进的异常检测方法在基准数据集上的对比实验表明，我们的方法具有竞争力。该方法的设计注重可扩展性，确保了在处理大尺寸图像时的鲁棒性。
CRediT作者贡献声明
斯特凡诺·萨梅莱（Stefano Samele）：概念构思、方法论设计、验证、形式化分析、数据整理、初稿撰写、审稿与编辑、可视化展示、项目监督、资金筹集。弗朗切斯科·阿托雷（Francesco Attorre）：软件实现、验证工作、数据分析。马泰奥·马泰乌奇（Matteo Matteucci）：概念构思、资源调配、项目监督、资金筹集。
利益冲突声明
作者声明以下可能被视为潜在利益冲突的财务利益/个人关系：
斯特凡诺·萨梅莱报告称，实验中使用的设备、药品或耗材由倍耐力轮胎公司（Pirelli Tyre）提供；弗朗切斯科·阿托雷报告称，实验中使用的设备、药品或耗材同样由倍耐力轮胎公司提供。如果还有其他作者参与，他们声明自己没有可能影响本文所述工作的已知财务利益或个人关系。
