基于PatchCore与ResNet子模型微调的工业缝纫过程异常检测方法研究

《Scientific Reports》：An efficient anomaly detection method for the industrial sewing process using PatchCore and fine-tuned ResNet

　　

摘要

在时尚产业中，缝纫缺陷传统上通过人工目视检查进行检测，这在准确性和速度上存在局限。本研究开发了一种使用 PatchCore（一种无监督特征嵌入模型）的高效异常检测方法，用于工业缝纫过程。该方法在 StitchingNet 数据集上微调不同深度（18、34、50、101 和 152）的 ResNet 子模型，以提取缝纫特定的块特征，从而在高效利用计算资源的同时提升检测性能，适用于小规模制造。所提出的模型与其他无监督方法（原始 PatchCore、PaDiM、Deep SVDD 和 GANomaly）进行了比较，并评估了子模型深度、层组合和子采样比率的影响，以便在有限数据下实现快速检测。在尼龙面料图像上，通过骨干网络微调和优化配置，实现了 0.988 的 AUROC，优于原始 PatchCore（0.862）。在所有十一种 StitchingNet 面料类型中，其平均 AUROC 为 0.984，平均 F1 分数为 0.983。在低成本的树莓派 5 上，F1 分数为 0.950，每张图像的推理时间为 0.37 秒，证实了其部署的适用性。因此，该方法适用于训练数据有限的缝纫过程，并可作为服装制造的核心异常检测技术。