摘要
目前，基于深度学习的异常检测方法在实际大批量工业生产中广泛应用。这些检测方法根据标签的数量差异分为有监督学习和自监督学习等，由于自监督学习方法只需要使用少量的正常样本进行模型训练来实现物体表面的异常检测，具有通用性强、数据成本较低以及训练时间短等优势，因此更适合应用于工业生产过程中产品表面的异常检测。为了能够实现智能化的无接触式物体表面异常检测与定位，本文开展了基于自监督学习的图像表面异常检测与定位研究，具体内容如下: (1)针对瓷砖表面异常检测中人工检测效率低、标记样本不足、漏检率高等问题，提出了基于自监督分布增强对比学习的检测模型,无需大量缺陷样本，即可实现瓷砖表面常见异常的检测与定位。通过样本扩充产生负样本，利用分布增强对比学习提高数据不规则性和扩展样本分布，进而降低对比表示的均匀性，使表示特征分布与分类目标保持一致。在自监督学习表示基础上，构建一类分类器实现了准确的异常检测与定位。实验结果表明，在异常检测标准评估度量(AUROC)准则下，该方法相比其他两种先进方法异常检测率分别提高了 3.71％和2.74％;异常定位率分别提高了 1.22％和4.01％。 (2)针对常见物体表面异常检测中标记样本不足、漏检率高的问题，设计了一种基于掩码自编码器的自监督学习模型，在少量异常样本情况下实现异常的准确检测和定位。自动编码器应用广泛，但其在小误差情况下，具有较强的重构异常的泛化能力，难以通过重构误差检测和定位异常。因此，提出了一种掩码修复重建的方法来降低泛化性能。首先，对每个输入图像进行掩码，获得多个掩码输入图像,并由自动编码器依次重建;其次，对这些重建的图像进行互补掩码和重组，得到最终的重建图像;最后，通过评估输入图像和重建图像之间的重建误差，实现了异常检测和定位。实验结果表明，在异常检测标准评估标准下，该方法的异常检出率为93.05％,异常定位率为94.82％,且通用性强，具有广泛的应用价值。 (3)利用Pyqt5开发了基于自监督学习的产品表面异常检测系统,并且应用于工业产品的表面检测环节。该系统通过利用C++语言、Visual Studio2019以及Qt Creator 5.15软件开发平台，构造系统各功能窗口，并且添加各种外观控件，实现了静态图像异常检测与定位、实时摄像头采集视频流的异常检测与定位等功能。实验结果表明，本文设计的系统能够稳定运行并实现不同物体的表面异常检测任务。 综上，本文提出的自监督异常检测与定位技术，不仅可以获取图像中存在的缺陷类型，而且能标明缺陷的区域大小和具体位置，这些信息能够辅助实现产品质量评估，具有广阔的市场应用前景。
NETL