前景預(yù)測輔助下異常合成的工業(yè)品表面缺陷檢測法

摘要：工業(yè)品表面缺陷檢測的目標(biāo)在于識別和定位物體表面的異常區(qū)域。然而，在無監(jiān)督異常檢測模型的訓(xùn)練過程中，若訓(xùn)練集僅限于正樣本，模型將僅能學(xué)習(xí)到正樣本的特征表示。而采用異常合成策略能使模型學(xué)習(xí)到異常特征，從而提升異常區(qū)域的檢測效果。文章提出了一種結(jié)合前景預(yù)測和異常合成的新方法，該方法中的異常合成包括異常圖像合成和異常特征合成。首先，利用預(yù)訓(xùn)練的神經(jīng)網(wǎng)絡(luò)提取圖像特征，并通過特征適配器對其進(jìn)行優(yōu)化。其次，引入前景分割網(wǎng)絡(luò)，以輔助異常圖像的合成過程。在正常特征的基礎(chǔ)上，通過添加高斯噪聲創(chuàng)建異常特征；再次，將正常圖像的特征、合成的異常圖像特征以及合成的異常特征輸入辨別器中進(jìn)行訓(xùn)練。最后，利用前景預(yù)測器修正可能被誤分類的區(qū)域，以進(jìn)一步提升檢測精度。實(shí)驗(yàn)結(jié)果顯示，該方法在MVTEC AD數(shù)據(jù)集上的圖像級與像素級的AUROC（接受者操作特征曲線下面積）分?jǐn)?shù)分別達(dá)99.7%與98.8%，表明該方法在工業(yè)品表面缺陷檢測中具有顯著的應(yīng)用潛力。

關(guān)鍵詞：工業(yè)異常檢測；表面缺陷檢測；異常合成；無監(jiān)督學(xué)習(xí)；深度神經(jīng)網(wǎng)絡(luò)

中圖分類號：TN911；TP391.41" " "文獻(xiàn)標(biāo)識碼：A" " "文章編號：1674-0688（2024）11-0015-05

0 引言

在現(xiàn)代制造業(yè)中，工業(yè)品表面缺陷檢測對于保障產(chǎn)品質(zhì)量和可靠性至關(guān)重要。隨著自動化和智能制造技術(shù)的飛速發(fā)展，對檢測技術(shù)的精確性和魯棒性提出了更為嚴(yán)格的要求。彭衛(wèi)兵等［1］采用了一種基于深度學(xué)習(xí)的監(jiān)督學(xué)習(xí)方法進(jìn)行鋼橋病害檢測，盡管該方法能實(shí)現(xiàn)高精度的識別效果，但是仍面臨傳統(tǒng)監(jiān)督學(xué)習(xí)方法共有的挑戰(zhàn)：高度依賴大量標(biāo)注的缺陷樣本。然而，實(shí)際生產(chǎn)過程中缺陷發(fā)生頻率低且標(biāo)注成本高昂，這些因素共同限制了監(jiān)督學(xué)習(xí)方法在工業(yè)領(lǐng)域的廣泛應(yīng)用。因此，無監(jiān)督異常檢測技術(shù)逐漸成為工業(yè)檢測領(lǐng)域的一個重要解決方案。

目前，工業(yè)品表面缺陷檢測方法主要分為重建方法、嵌入方法和合成方法3類。重建方法通過重建正常樣本并計(jì)算重建殘差識別異常；嵌入方法則利用預(yù)訓(xùn)練網(wǎng)絡(luò)提取的特征，試圖在特征空間中分離異常樣本與正常樣本；而基于合成的方法通常從正常樣本中合成異常，以引入異常辨別信息，增強(qiáng)檢測模型性能。然而，這些方法普遍存在樣本多樣性不足的問題，由于缺乏足夠多樣化的異常樣本而易導(dǎo)致模型過擬合，無法全面學(xué)習(xí)潛在異常特征。因此，有效增加樣本多樣性成為提升異常檢測性能的關(guān)鍵。為解決樣本多樣性不足的問題，圖像級合成和特征級合成被提出作為有效策略。圖像級合成通過生成新的異常圖像擴(kuò)展樣本空間，增加訓(xùn)練數(shù)據(jù)的多樣性。王丹等［2］針對路面裂縫檢測進(jìn)行研究，提出了在正常道路表面數(shù)據(jù)上應(yīng)用 CutPaste方法生成異常數(shù)據(jù)，這種簡單的圖像級合成異常方法能夠?qū)崿F(xiàn)高識別精度。特征級合成則在特征空間中生成合成異常樣本，進(jìn)一步豐富了樣本的多樣性。毛加平［3］提出的 TrisimpleNet 模型通過在正常樣本的特征空間中添加高斯噪聲來合成異常樣本，同時引入微小擾動以生成偽造的正常特征，這一策略有效提升了缺陷檢測的精度與魯棒性。將這兩種合成方法結(jié)合使用，能有效克服現(xiàn)有方法在樣本多樣性方面的不足，進(jìn)一步提升檢測的精度和魯棒性。

盡管合成方法能增加樣本多樣性，但是現(xiàn)有方法仍易受背景區(qū)域干擾，尤其是在復(fù)雜背景下，背景區(qū)域可能被誤判為異常。為解決這一問題，本文引入前景預(yù)測技術(shù)。前景預(yù)測根據(jù)輸入圖像預(yù)測前景掩碼，使模型能夠聚焦于感興趣區(qū)域，避免背景信息干擾。基于此思路，本文提出一種結(jié)合前景預(yù)測、圖像級異常合成和特征級異常合成的無監(jiān)督缺陷檢測方法。該方法首先通過圖像級和特征級合成技術(shù)增加異常樣本的多樣性，使模型學(xué)習(xí)更豐富多樣的異常特征；其次利用前景預(yù)測生成前景掩碼，排除背景區(qū)域干擾。綜合這些技術(shù)，可提升復(fù)雜背景下工業(yè)品表面缺陷檢測的精度與魯棒性。

1 研究理論

相關(guān)研究指出，重建方法（如AutoEncoder）依賴于對正常樣本的重建殘差來檢測異常。盡管這些方法在理論上能夠識別出與正常樣本不同的異常，但是它們對正常樣本的質(zhì)量有著高度的依賴性，容易受到偽陽性結(jié)果的影響。在復(fù)雜環(huán)境中，若重建能力不足，可能會導(dǎo)致較高的錯誤檢測率，從而影響實(shí)際應(yīng)用的可靠性［4］。

嵌入方法則利用預(yù)訓(xùn)練網(wǎng)絡(luò)提取特征，試圖在特征空間中實(shí)現(xiàn)異常樣本與正常樣本的分離。盡管引入記憶庫和單類分類器能在一定程度上提高檢測性能，但是這些方法仍然依賴于高質(zhì)量的特征表達(dá)。當(dāng)特征表達(dá)不足時，其檢測效果并不理想。此外，這些方法在處理多樣化和復(fù)雜背景方面仍存在不足，從而限制了其在實(shí)際應(yīng)用中的有效性。

在合成方法中，圖像級合成方法（如CutPaste ）通過切割和拼接正常樣本中的圖像生成異常樣本，從而擴(kuò)展訓(xùn)練數(shù)據(jù)集。圖像級異常合成方法能夠提供詳細(xì)的異常紋理，其在細(xì)節(jié)表現(xiàn)上具有一定優(yōu)勢。然而，該方法通常存在樣本多樣性不足的問題，導(dǎo)致生成的異常樣本無法覆蓋實(shí)際應(yīng)用中的廣泛情況。相比之下，特征級合成方法（如SimpleNet［5］ ）通過向正常特征添加高斯噪聲來合成異常，這種方法效率更高，但無法在像素級別實(shí)現(xiàn)高精度檢測。

現(xiàn)有方法在處理復(fù)雜背景時，往往難以明確區(qū)分前景和背景，導(dǎo)致背景區(qū)域容易被誤判為異常，從而引發(fā)誤報。這是因?yàn)楸尘靶畔⒌母蓴_容易對檢測結(jié)果產(chǎn)生不良影響。

2 檢測方法模型構(gòu)建

2.1 模型框架

本文提出的工業(yè)品表面缺陷檢測方法由特征提取、特征適配、前景分割、異常圖像合成、異常特征合成、鑒別器和前景預(yù)測等功能模塊構(gòu)成。該方法融合了前景預(yù)測與異常合成技術(shù)，旨在提高無監(jiān)督異常檢測的檢測精度，特別是在僅包含正樣本的情況下。模型整體框架圖見圖1。

2.2 模型訓(xùn)練方法

在訓(xùn)練階段，模型主要由異常圖像處理模塊、異常特征處理模塊及普通處理模塊三大核心部分構(gòu)成，它們共同利用特征提取器、特征適配器及鑒別器進(jìn)行動作。首先，正常樣本經(jīng)由一個凍結(jié)狀態(tài)的特征提取器和一個可訓(xùn)練的特征適配器處理，以獲取適用于正常特征的表示，此環(huán)節(jié)構(gòu)成了普通處理模塊的一部分。其次，在異常特征處理模塊中，對正常特征添加高斯噪聲，以合成異常特征。與此同時，異常圖像處理模塊則采用紋理疊加和前景分割技術(shù)，生成局部異常圖像，這些圖像再經(jīng)過特征提取器和特征適配器處理，以獲得對應(yīng)的局部異常特征。最后，這3個模塊產(chǎn)生的特征被聯(lián)合輸入至鑒別器中，該鑒別器為一個分割網(wǎng)絡(luò)，并采用3種損失函數(shù)進(jìn)行端到端的訓(xùn)練。

此外，利用對象類別的訓(xùn)練集訓(xùn)練了一個前景預(yù)測器。該預(yù)測器首先利用分割網(wǎng)絡(luò)生成正常掩碼圖像，然后在其基礎(chǔ)上合成異常掩碼圖像，以正常掩碼圖像和異常掩碼圖像作為訓(xùn)練數(shù)據(jù)集，共同訓(xùn)練一個專門用于前景預(yù)測的分割網(wǎng)絡(luò)。

在推理階段，測試圖像通過普通處理模塊和前景預(yù)測模塊進(jìn)行處理。普通處理模塊負(fù)責(zé)生成異常分?jǐn)?shù)圖，而前景預(yù)測模塊則負(fù)責(zé)生成掩碼圖。通過將異常分?jǐn)?shù)圖和掩碼圖進(jìn)行點(diǎn)乘運(yùn)算，即可得出最終的測試結(jié)果。

2.3 模塊功能

2.3.1 特征提取與特征適配

為了捕捉圖像中的多層次信息，采用了在ImageNet 數(shù)據(jù)集上預(yù)訓(xùn)練的 WideResNet50 作為骨干網(wǎng)絡(luò)進(jìn)行特征提取。骨干網(wǎng)絡(luò)的layer2和layer3的特征被連接在一起，以形成包含細(xì)節(jié)與全局結(jié)構(gòu)的多尺度空間信息。在此過程中，骨干網(wǎng)絡(luò)始終保持凍結(jié)狀態(tài)，僅承擔(dān)特征提取的功能。

隨后，提取到的多層次特征通過特征適配器進(jìn)行進(jìn)一步處理。特征適配器的功能是將這些特征轉(zhuǎn)換為更適用于異常檢測的特征表示。在本方法中，特征適配器采用了一個全連接層這一簡單的神經(jīng)模塊，該模塊能夠有效增強(qiáng)正常特征與異常特征在特征空間中的可區(qū)分度。

2.3.2 前景分割網(wǎng)絡(luò)

在工業(yè)品檢測中，缺陷通常集中在物體的前景部分，而背景信息通常對檢測結(jié)果不產(chǎn)生實(shí)質(zhì)性影響。為提升檢測精度，本文提出了一種前景分割網(wǎng)絡(luò)，該網(wǎng)絡(luò)能夠高效地將圖像中的物體從背景中分離出來，特別針對MVTec AD［6］ 數(shù)據(jù)集中的10個對象類別，能夠生成精確的前景掩碼圖。對于其中的5個紋理類圖像，由于整個圖像均被視為前景，因此不需要進(jìn)行前景分割處理。

前景分割網(wǎng)絡(luò)生成的掩碼圖不僅被用于指導(dǎo)異常圖像的合成過程，還作為前景預(yù)測器訓(xùn)練的重要輸入，能夠有效排除背景區(qū)域異常分?jǐn)?shù)對檢測結(jié)果的干擾，從而提升整體的檢測性能。前景分割器效果見圖2。

通過對U-2Net［7］ 分割網(wǎng)絡(luò)進(jìn)行微調(diào)，所得到的前景分割器能夠精確地對MVTec AD數(shù)據(jù)集中10個對象類別進(jìn)行分割。在訓(xùn)練階段，憑借U-2Net網(wǎng)絡(luò)的高效性能，模型在2080Ti 顯卡上的檢測幀率達(dá)到了140 FPS，這證明了引入前景分割器對整體系統(tǒng)性能的影響微乎其微。

2.3.3 異常圖像合成

在工業(yè)應(yīng)用場景中，異常現(xiàn)象的類型繁多且復(fù)雜，數(shù)據(jù)收集難以覆蓋所有異常類型，這給基于監(jiān)督學(xué)習(xí)的方法帶來了顯著限制。以往的半監(jiān)督學(xué)習(xí)方法僅依賴于正常樣本，忽略了非正常樣本的對比信息，從而限制了模型對正常模式的有效學(xué)習(xí)。基于 （Dream-textures）［8］ 方法，本文提出了一種更高效的異常圖像合成策略。異常圖像合成流程見圖3。

異常圖像合成的具體步驟如下。

（1）生成二維Perlin噪聲P，并通過二值化處理得到掩碼Mp。然而，對于對象類圖像，由于主體僅占圖像的一部分，直接使用二值化后的掩碼進(jìn)行異常合成可能會在背景區(qū)域引入噪聲，從而增大合成異常樣本與真實(shí)異常樣本之間的分布差異，影響模型學(xué)習(xí)有效的判別信息。因此，可利用前景分割器對輸入圖像生成精確的前景掩碼M1，并在此基礎(chǔ)上向外擴(kuò)展5個像素，生成更為寬泛的掩碼M2。這種設(shè)計(jì)旨在使模型既能有效學(xué)習(xí)前景區(qū)域的異常特征，又能捕捉前景周圍的異常信息。最終掩碼M通過這兩個掩碼進(jìn)行逐元素乘積運(yùn)算獲得。

（2）將掩碼M與來自DTD［9］ 紋理數(shù)據(jù)集的噪聲圖像[In]進(jìn)行逐元素乘積運(yùn)算，得到感興趣區(qū)域（ROI）。在此過程中，引入透明度因子以平衡原始圖像和噪聲圖像的融合程度，使合成的異常更接近真實(shí)異常。生成的噪聲前景圖像通過以下公式計(jì)算：

（3）通過反轉(zhuǎn)掩碼M并與原始圖像I進(jìn)行元素乘積運(yùn)算，再加上經(jīng)過掩碼處理的噪聲前景圖像，得到數(shù)據(jù)增強(qiáng)圖像[Ia]，即最終的合成異常圖像。合成異常圖像通過以下公式計(jì)算：

相比傳統(tǒng)方法，本文方法在異常圖像合成方面實(shí)現(xiàn)了以下兩點(diǎn)關(guān)鍵性提升。

（1）提高掩碼精度。傳統(tǒng)方法采用二值化處理生成前景掩碼，存在精度不足的問題。為改善此狀況，本文引入預(yù)訓(xùn)練的U-2Net分割網(wǎng)絡(luò)，并針對MVTec AD 數(shù)據(jù)集中的10個對象類別訓(xùn)練集進(jìn)行微調(diào)，從而生成了更精確的前景掩碼。這一改進(jìn)使模型在處理復(fù)雜背景（例如晶體管和電纜圖像）時，能更有效地提取正常樣本的代表性模式，進(jìn)而提升異常樣本生成的質(zhì)量。

（2）模擬“增長”類異常。傳統(tǒng)方法通常僅在前景區(qū)域內(nèi)生成異常樣本，忽略了異常可能擴(kuò)展至背景的情況。為此，本文在獲得精確前景掩碼后，對其進(jìn)行像素擴(kuò)展處理，生成了膨脹的前景掩碼。該膨脹掩碼不僅覆蓋了前景區(qū)域，而且還包含了其周圍一小段區(qū)域。這一策略增強(qiáng)了模型對“增長”類異常的識別能力，使合成的異常圖像更貼近實(shí)際情況。隨后，將噪聲圖像添加至膨脹的前景掩碼所覆蓋的區(qū)域，從而生成了更豐富的異常圖像。

通過上述改進(jìn)，本文在現(xiàn)有方法的基礎(chǔ)上生成了更具全面性的異常樣本，有效縮小了合成異常與真實(shí)異常樣本之間的差異，從而進(jìn)一步提升了模型的學(xué)習(xí)效果和魯棒性。

2.3.4 異常特征生成

已有研究表明，合成異常特征是一種有效的方法。本模型采用了SimpleNet中的異常特征生成策略，通過在特征中簡單添加高斯噪聲來模擬異常特征，以此引導(dǎo)鑒別器學(xué)習(xí)正常特征與異常特征之間的差異。需要注意的是，異常特征生成器僅使用在訓(xùn)練階段。

2.3.5 辨別器

鑒別器網(wǎng)絡(luò)的功能在于區(qū)分正常特征與異常特征。在訓(xùn)練階段，鑒別器通過不斷優(yōu)化判別損失函數(shù)，旨在最大化正常和異常特征之間的差異。具體而言，訓(xùn)練過程中，正常特征被視為正樣本，而合成的異常特征以及異常圖像中異常區(qū)域的特征則被視為負(fù)樣本。通過這一學(xué)習(xí)過程，鑒別器逐步提升了其異常檢測的準(zhǔn)確性。

2.3.6 前景預(yù)測器

由于模型能夠識別大至小范圍的缺陷，因此不可避免地會將背景中的缺陷也視為異常。為減小背景異常的干擾，可考慮采用分割網(wǎng)絡(luò)區(qū)分前景和背景。然而，這也帶來了一個新的問題：某些類型的缺陷（如缺失類缺陷）可能會被前景分割網(wǎng)絡(luò)錯誤地歸類為背景區(qū)域。由于該方法忽略了背景中的異常信息，可能會導(dǎo)致缺陷區(qū)域被漏檢，從而影響檢測精度。為解決這一問題，可引入前景預(yù)測網(wǎng)絡(luò)。前景預(yù)測網(wǎng)絡(luò)利用數(shù)據(jù)增強(qiáng)技術(shù)，模擬出不同大小、形狀和位置的異常區(qū)域，從而生成更多樣化的異常樣本。在訓(xùn)練階段，僅使用MVTec AD數(shù)據(jù)集中的10個對象類別的訓(xùn)練集訓(xùn)練前景預(yù)測器。異常掩碼圖的生成方法與本文提出的異常圖像合成方法類似。通過將正常掩碼圖和模擬的異常掩碼圖一同輸入網(wǎng)絡(luò)，前景預(yù)測器能夠?qū)W習(xí)并補(bǔ)償那些被遺漏的異常區(qū)域，進(jìn)而提升整體的檢測精度。

前景預(yù)測器效果見圖4。需要強(qiáng)調(diào)的是，前景預(yù)測器的目標(biāo)并非精確地分割出前景掩碼，而是根據(jù)測試圖像估測物體在正常狀態(tài)下所占的區(qū)域，以確保不會遺漏因缺失而導(dǎo)致的異常區(qū)域。

3 實(shí)驗(yàn)過程與結(jié)果

3.1 數(shù)據(jù)集和評估指標(biāo)

本文采用MVTec AD數(shù)據(jù)集進(jìn)行實(shí)驗(yàn)，該數(shù)據(jù)集專為工業(yè)品表面缺陷檢測設(shè)計(jì)，包含5 354張圖像，涵蓋15個子數(shù)據(jù)集，其中分為5個紋理子類別和10個對象子類別。每個類別包含60～400張正常樣本用于訓(xùn)練，測試集則由正常圖像和各類真實(shí)異常圖像混合組成，這些異常圖像具有多樣化的紋理和規(guī)模。

在評估圖像表面缺陷檢測性能時，本文采用圖像級和像素級的 AUROC作為主要評估指標(biāo)。

3.2 實(shí)驗(yàn)設(shè)置與實(shí)現(xiàn)細(xì)節(jié)

本文采用在ImageNet上預(yù)訓(xùn)練的WideResNet50作為骨干網(wǎng)絡(luò)，融合了layer2和layer3的特征，并將鄰域大小p設(shè)置為3。輸入圖像經(jīng)過縮放和裁剪，調(diào)整為288×288像素的尺寸。在異常特征生成器中，添加的高斯噪聲參數(shù)設(shè)置為[∈]～N（0，0.015）。在訓(xùn)練過程中，采用Adam優(yōu)化器，初始學(xué)習(xí)率設(shè)定為0.001，批量大小為8，同時使用二元交叉熵與焦點(diǎn)損失函數(shù)作為訓(xùn)練目標(biāo)函數(shù)。為防止過擬合，實(shí)施了早停策略，以確保模型的泛化能力。所有實(shí)驗(yàn)均在RTX 2080 Ti GPU上執(zhí)行。

3.3 實(shí)驗(yàn)結(jié)果

將本文方法與其他方法進(jìn)行對比，結(jié)果表明，本文方法在多數(shù)現(xiàn)有方法中表現(xiàn)出更優(yōu)越的性能，驗(yàn)證了其有效性。不同方法在MVTec AD數(shù)據(jù)集上的性能對比見表1，本文方法在15個類別中的5個類別上實(shí)現(xiàn)了100%的圖像級AUROC（Receiver Operating Characteristic Curve），并且在圖像級和像素級的AUROC總平均分?jǐn)?shù)分別達(dá)到了99.7%和98.8%。

本文對 MVTec AD 數(shù)據(jù)集進(jìn)行了定性實(shí)驗(yàn)，驗(yàn)證了本文方法在異常分割方面的準(zhǔn)確性。圖5展示了MVTec AD數(shù)據(jù)集上像素級異常分割的定性可視化效果，表明本文方法具有更精確的異常分割能力和排除背景干擾的效果。具體而言，相較于單一方法，結(jié)合異常特征合成和異常圖像合成的方法表現(xiàn)出了更高的有效性，而前景預(yù)測器的加入則進(jìn)一步提升了像素級 AUROC異常定位的性能。

4 結(jié)語

本文提出了一種結(jié)合前景預(yù)測與異常合成的工業(yè)品表面缺陷檢測方法，旨在解決無監(jiān)督學(xué)習(xí)環(huán)境下樣本稀缺的問題。該方法通過引入前景預(yù)測網(wǎng)絡(luò)和異常合成策略，有效生成了多樣化的異常樣本，提升了模型對異常區(qū)域的檢測能力。實(shí)驗(yàn)結(jié)果顯示，在MVTec AD數(shù)據(jù)集上，本文方法在圖像級和像素級的AUROC平均分?jǐn)?shù)分別達(dá)到了99.7%和98.8%，充分證明了其在工業(yè)品缺陷檢測中的有效性和應(yīng)用潛力。與現(xiàn)有方法相比，本研究的創(chuàng)新之處在于利用前景預(yù)測器修正錯誤分類區(qū)域，從而進(jìn)一步提高了檢測精度，同時采用了多種異常合成策略，以增強(qiáng)樣本的多樣性。未來的研究方向?qū)⒕劢褂趯⒋朔椒ㄍ茝V至更多的實(shí)際應(yīng)用場景，并進(jìn)一步優(yōu)化模型結(jié)構(gòu)以提升實(shí)時檢測性能。同時，鑒于不同工業(yè)環(huán)境中背景的復(fù)雜性，研究將更加注重增強(qiáng)模型對背景干擾的魯棒性，以確保其具備更廣泛的適用性和可靠性。

5 參考文獻(xiàn)

［1］彭衛(wèi)兵，張明見，全柳萌，等.基于改進(jìn)Mask R-CNN的鋼橋多病害智能識別［J］.中國公路學(xué)報，2024，37（2）：100-109.

［2］王丹，鐘亮潔.基于異常數(shù)據(jù)生成和自監(jiān)督學(xué)習(xí)的路面裂縫檢測［J］.肇慶學(xué)院學(xué)報，2024，45（5）：6-13.

［3］毛加平.TrisimpleNet：基于三元損失和特征合成的缺陷檢測網(wǎng)絡(luò)［J］.應(yīng)用數(shù)學(xué)進(jìn)展，2024，13（5）：2323-2330.

［4］ZHANG X，LI S，LI X，et al.DeSTSeg：Segmentation Guided Denoising Student-Teacher for Anomaly Detection［C］//2023 IEEE/CVF Conference on Computer Vision and Pattern Recognition（CVPR）.Vancouver，BC，Canada，2023.IEEE，2023：3914-3923.DOI：10.1109/CVPR52729.2023.00381.

［5］LIU Z，ZHOU Y，XU Y，et al.SimpleNet：A Simple Network for Image Anomaly Detection and Localization［C］//2023 IEEE/CVF Conference on Computer Vision and Pattern Recognition（CVPR）.Vancouver，BC，Canada，2023.IEEE，2023：20402-20411.DOI：10.1109/CVPR52729.2023.

01954.

［6］BERGMANN P，F(xiàn)AUSER M，SATTLEGGER D，et al.MVTec AD—A Comprehensive Real-World Dataset for Unsupervised Anomaly Detection［C］//2019IEEE/CVF Conference on Computer Vision and Pattern Recognition （CVPR）.Long Beach，CA，USA，2019.IEEE，2019：9584-9592.DOI：10.1109/CVPR.2019.00982.

［7］QIN X，ZHANG Z，HUANG C，et al.U2-Net：Going deeper with nested U-structure for salient object detection［J］.Pattern recognition，2020，106：107404.

［8］ZAVRTANIK V，KRISTAN M，Sko?aj D.DR?M-A discriminatively trained reconstruction embedding for surface anomaly detection［C］ //2021 IEEE/CVF International Conference on Computer Vision（ICCV）.Montreal，QC，Canada，2021.IEEE，2021：8310-8319.DOI：10.1109/ICCV48922.2021." "00822.

［9］Cimpoi M，Maji S，Kokkinos I，et al.Describing Textures in the Wild［C］ //2014 IEEE Conference on Computer Vision and Pattern Recognition（CVPR）.Columbus，OH，USA，2014.IEEE，2014：3606-3613.DOI：10.1109/CVPR，" "2014.461.