改进掩码自编码器的多类工业图像异常检测方法

针对不同异常图像数据间的差异以及深度模型泛化能力不足的问题,提出一种改进掩码自编码器的多类工业图像异常检测方法。首先,利用正常图像样本数据训练改进的掩码自编码器(MAE)模型,使该模型具有正常图像重构的能力;然后,根据改进的MAE模型的重构图像与原图像的差异,区分正常与异常图像数据;最后,利用该方法在公开的工业图像数据集上同时检测多个类别的异常图像数据,平均AUC为0.895,相较于MKD、U-Net、DAGAN,其检测精度分别提高了2.05%、9.28%和2.52%,验证了该方法的有效性。