Переваги наскрізної архітектури Hybrid AWRED за ефективністю виявлення візуальних аномалій в умовах дефіциту навчальних даних порівняно з класичним ансамблем CNN + One-Class SVM

Автор(и)

  • Тимур Павлович Довженко Державний університет інформаційно-комунікаційних технологій, Україна https://orcid.org/0000-0002-0352-8391
  • Каміла Павлівна Сторчак Державний університет інформаційно-комунікаційних технологій, Україна https://orcid.org/0000-0001-9295-4685

DOI:

https://doi.org/10.15587/2706-5448.2026.362237

Ключові слова:

наскрізна архітектура, Hybrid AWRED, One-Class SVM, динамічне зважування, дисбаланс класів, візуальний контроль

Анотація

Об’єктом дослідження є процес виявлення візуальних аномалій у зображеннях в умовах скорочення навчальної вибірки та дисбалансу класів, актуальний для систем візуального моніторингу ІТ-інфраструктури й телекомунікаційного обладнання, зокрема розпізнавання мікротріщин на друкованих платах, корозії на антенах базових станцій чи пошкоджень волоконно-оптичних ліній зв'язку. Проблема полягає в тому, що за малого обсягу навчальних даних традиційні двохетапні підходи втрачають стійкість і це призводить до зниження точності розпізнавання дефектів. Це стосується схем, у яких згортковий автокодувальник поєднується із зовнішнім класифікатором, One-Class SVM. За таких умов латентне подання формується менш якісно, а ранжування аномалій стає менш надійним.

Як альтернативу використано наскрізну архітектуру Hybrid AWRED v4, у якій виявлення аномалій виконується безпосередньо у просторі похибок реконструкції без зовнішнього класифікатора. В основу підходу покладено цільову функцію, яка поєднує динамічне зважування похибки та адаптивний поріг відсікання.

Перевірку проведено на трьох наборах даних обсягом 800, 107 і 54 зображення. Для кожного набору виконано по вісім незалежних прогонів. На вибірці N = 800 архітектура CNN + AWRED показала кращі значення Precision, F1-Score та MCC порівняно з ансамблем CNN + SVM. За N = 107 перевага запропонованого підходу проявилася за AUC-ROC і AP.

Для мікровибірки N = 54 порогові метрики двох підходів виявилися близькими. Водночас AUC-ROC і AP залишилися вищими у базової моделі. Це свідчить, що за такого обсягу даних обидва підходи наближаються до межі своєї ефективності без додаткового розширення вибірки. Також встановлено, що Hybrid AWRED раніше досягає критерію ранньої зупинки, а її теплові карти формують чіткіші зони відгуку в областях дефектів. Підхід є перспективним для автоматизації візуального контролю за дефіциту навчальних даних.

Біографії авторів

Тимур Павлович Довженко, Державний університет інформаційно-комунікаційних технологій

Кандидат технічних наук, доцент

Кафедра інженерії програмного забезпечення

Каміла Павлівна Сторчак, Державний університет інформаційно-комунікаційних технологій

Доктор технічних наук, професор, завідувач кафедри

Кафедра інформаційних систем та технологій

Посилання

  1. Cao, Y., Xiang, H., Zhang, H., Zhu, Y., Ting, K. M. (2025). Anomaly Detection Based on Isolation Mechanisms: A Survey. Machine Intelligence Research, 22 (5), 849–865. https://doi.org/10.1007/s11633-025-1554-4
  2. Tao, X., Gong, X., Zhang, X., Yan, S., Adak, C. (2022). Deep Learning for Unsupervised Anomaly Localization in Industrial Images: A Survey. IEEE Transactions on Instrumentation and Measurement, 71, 1–21. https://doi.org/10.1109/tim.2022.3196436
  3. Mehta, D., Klarmann, N. (2023). Autoencoder-Based Visual Anomaly Localization for Manufacturing Quality Control. Machine Learning and Knowledge Extraction, 6 (1), 1–17. https://doi.org/10.3390/make6010001
  4. Paolini, D., Dini, P., Soldaini, E., Saponara, S. (2025). One-Class Anomaly Detection for Industrial Applications: A Comparative Survey and Experimental Study. Computers, 14 (7), 281. https://doi.org/10.3390/computers14070281
  5. Saeedi, J., Giusti, A. (2022). Anomaly Detection for Industrial Inspection using Convolutional Autoencoder and Deep Feature-based One-class Classification. Proceedings of the 17th International Joint Conference on Computer Vision, Imaging and Computer Graphics Theory and Applications, 85–96. https://doi.org/10.5220/0010780200003124
  6. Yang, M., Liu, J., Yang, Z., Wu, Z. (2024). SLSG: Industrial image anomaly detection with improved feature embeddings and one-class classification. Pattern Recognition, 156, 110862. https://doi.org/10.1016/j.patcog.2024.110862
  7. Liu, J., Xie, G., Wang, J., Li, S., Wang, C., Zheng, F., Jin, Y. (2024). Deep Industrial Image Anomaly Detection: A Survey. Machine Intelligence Research, 21 (1), 104–135. https://doi.org/10.1007/s11633-023-1459-z
  8. Li, Z., Yan, Y., Wang, X., Ge, Y., Meng, L. (2025). A survey of deep learning for industrial visual anomaly detection. Artificial Intelligence Review, 58 (9). https://doi.org/10.1007/s10462-025-11287-7
  9. Wang, X., Chen, Y., Zhu, W. (2021). A Survey on Curriculum Learning. IEEE Transactions on Pattern Analysis and Machine Intelligence, 44 (9). https://doi.org/10.1109/tpami.2021.3069908
  10. Dovzhenko, T. (2026). Hybrid awred: synergy of adaptive reconstruction and topological clustering for anomaly detection in multimodal data. Zviazok, 1, 80–88. https://doi.org/10.31673/2412-9070.2026.017405
  11. Dovzhenko, T. P., Zinchenko, O. V. (2026). Robustness of Deep Intrusion Detection Models Under Massive Cyberattacks: Stress-Testing and Architectural Features of Hybrid AWRED. Telecommunication and Information Technologies, 90 (1), 199–207. https://doi.org/10.31673/2412-4338.2026.019019
  12. Dovzhenko, T. (2026). Topological anchoring and adaptive penalties: the HYBRID AWRED architecture for defect recognition in contaminated visual data. Connectivity, 180 (2), 62–71. https://doi.org/10.31673/2412-9070.2026.027603
  13. Saha, B. (2022). Caltech-101 dataset. Available at: https://www.kaggle.com/datasets/imbikramsaha/caltech-101
  14. Belhadri, A., Benchennane, I. (2025). Optimizing deep learning models: A review. Multiagent and Grid Systems, 21 (2), 73–95. https://doi.org/10.1177/15741702251370052
  15. Wang, X., Jin, Y., Schmitt, S., Olhofer, M. (2023). Recent Advances in Bayesian Optimization. ACM Computing Surveys, 55 (13s), 1–36. https://doi.org/10.1145/3582078
  16. Chicco, D., Jurman, G. (2023). The Matthews correlation coefficient (MCC) should replace the ROC AUC as the standard metric for assessing binary classification. BioData Mining, 16 (1). https://doi.org/10.1186/s13040-023-00322-4
  17. Jung, S., Dagobert, T., Morel, J.-M., Facciolo, G. (2024). A Review of t-SNE. Image Processing on Line, 14, 250–270. https://doi.org/10.5201/ipol.2024.528
Advantages of the end-to-end Hybrid AWRED architecture in terms of the efficiency of visual anomaly detection under conditions of training data deficiency compared with the classical CNN + One-Class SVM ensemble

##submission.downloads##

Опубліковано

2026-05-29

Як цитувати

Довженко, Т. П., & Сторчак, К. П. (2026). Переваги наскрізної архітектури Hybrid AWRED за ефективністю виявлення візуальних аномалій в умовах дефіциту навчальних даних порівняно з класичним ансамблем CNN + One-Class SVM. Technology Audit and Production Reserves, 3(2(89), 53–59. https://doi.org/10.15587/2706-5448.2026.362237

Номер

Том 3 № 2(89) (2026): Інформаційно-керуючі системи

Розділ

Інформаційні технології

Ліцензія

Авторське право (c) 2026 Tymur Dovzhenko, Kamila Storchak

Creative Commons License

Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.

Закріплення та умови передачі авторських прав (ідентифікація авторства) здійснюється у Ліцензійному договорі. Зокрема, автори залишають за собою право на авторство свого рукопису та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons CC BY. При цьому вони мають право укладати самостійно додаткові угоди, що стосуються неексклюзивного поширення роботи у тому вигляді, в якому вона була опублікована цим журналом, але за умови збереження посилання на першу публікацію статті в цьому журналі.