一种基于深度学习的工业图像异常检测方法

本发明公开了一种基于深度学习的工业图像异常检测方法，具体涉及工业视觉检测技术领域。为解决工业场景中因数据分布漂移导致的误报率高、微细缺陷定位模糊、实时响应能力不足及模型增量更新困难等问题。本发明通过多尺度特征融合自编码器提取鲁棒特征，构建动态记忆库在线更新正常样本原型；采用双路径检测机制协同像素级重构误差与注意力加权的特征匹配偏差；结合分块并行处理与模型编译优化实现边缘高效推理；设计弹性增量学习框架防止灾难性遗忘。最终降低环境变化引起的误报，实现像素级缺陷精准定位，满足高分辨率图像毫秒级检测需求，支持安全高效的模型在线演进，全面提升工业质检系统的适应性与可靠性。