自监督异常分割技术提升显示面板表面缺陷检测精度

来自研究人员团队开展的自监督异常分割研究，针对显示面板制造中缺陷标注数据匮乏的难题，提出AnoSeg框架。该研究通过硬增强策略合成异常样本，结合像素级与对抗损失优化分割质量，并引入坐标通道增强空间先验。实验表明AnoSeg在MVTec-AD基准上IoU和AUROC指标均超越现有方法，为智能显示制造提供高精度检测方案。

　　

在现代显示面板制造领域，精确的表面缺陷分割技术对自动化检测至关重要。尽管近期研究主要集中于图像级异常检测(Anomaly Detection)，但由于缺乏标注缺陷数据，像素级异常分割(Anomaly Segmentation)仍待深入探索。本研究提出创新框架AnoSeg，其核心突破在于直接生成高精度异常图谱而无需真实缺陷样本。该框架整合三大关键技术：1）通过硬增强策略(Hard Augmentation)从正常图像合成类缺陷异常；2）采用结合像素级(Pixel-wise)与对抗损失(Adversarial Loss)的自监督学习机制提升分割质量；3）通过坐标通道拼接(Coordinate Channel Concatenation)融入结构化面板布局特有的空间先验信息。仅使用正常样本与合成增强数据训练后，AnoSeg展现出强大的异常区域分割能力及对未知缺陷的优异泛化性能。此外，其生成的异常图谱可进一步提升传统异常检测表现。在MVTec Anomaly Detection (MVTec-AD)基准测试中，AnoSeg在交并比(IoU)和AUROC_{(Area Under Receiver Operating Characteristic)}指标上均超越现有先进方法，证实了该技术在智能显示制造系统中实现高精度表面检测的实际应用潜力。