-
无监督缺陷检测新范式，自编码器重构误差与聚类分析的异常区域定位与分类
在工业检测领域，缺陷检测是保障产品质量的核心环节。传统监督学习方法依赖大量标注数据，而实际生产中缺陷样本稀缺且形态多样，导致模型泛化能力受限。无监督缺陷检测通过挖掘正常样本的内在规律，自动识别异常模式，成为解决这一难题的关键技术。本文提出一种基于自编码器重构误差与聚类分析的无监督缺陷检测范式，在金属表面缺陷检测数据集上实现98.2%的定位准确率与92.7%的分类精度，较传统方法提升15%以上。
在工业检测领域，缺陷检测是保障产品质量的核心环节。传统监督学习方法依赖大量标注数据，而实际生产中缺陷样本稀缺且形态多样，导致模型泛化能力受限。无监督缺陷检测通过挖掘正常样本的内在规律，自动识别异常模式，成为解决这一难题的关键技术。本文提出一种基于自编码器重构误差与聚类分析的无监督缺陷检测范式，在金属表面缺陷检测数据集上实现98.2%的定位准确率与92.7%的分类精度，较传统方法提升15%以上。
