前景预测辅助下异常合成的工业品表面缺陷检测法

扫码查看

原文链接

维普
万方数据

中文摘要：工业品表面缺陷检测的目标在于识别和定位物体表面的异常区域.然而,在无监督异常检测模型的训练过程中,若训练集仅限于正样本,模型将仅能学习到正样本的特征表示.而采用异常合成策略能使模型学习到异常特征,从而提升异常区域的检测效果.文章提出了一种结合前景预测和异常合成的新方法,该方法中的异常合成包括异常图像合成和异常特征合成.首先,利用预训练的神经网络提取图像特征,并通过特征适配器对其进行优化.其次,引入前景分割网络,以辅助异常图像的合成过程.在正常特征的基础上,通过添加高斯噪声创建异常特征;再次,将正常图像的特征、合成的异常图像特征以及合成的异常特征输入辨别器中进行训练.最后,利用前景预测器修正可能被误分类的区域,以进一步提升检测精度.实验结果显示,该方法在MVTEC AD数据集上的图像级与像素级的AUROC(接受者操作特征曲线下面积)分数分别达99.7％与98.8％,表明该方法在工业品表面缺陷检测中具有显著的应用潜力.

作者：

刘泰麒、张潇云、李先军、王明明、刘强、黄贤明

展开 >

作者单位：

湖南工业大学计算机学院,湖南株洲 412007

关键词：

工业异常检测表面缺陷检测异常合成无监督学习深度神经网络

出版年：

2024

企业科技与发展

广西科学技术情报研究所

企业科技与发展

CHSSCD

影响因子：0.331

ISSN：1674-0688

年,卷(期)：2024.(11)