缺陷检测论文回顾（二）

[1] Autonomous Structural Visual Inspection Using Region-Based Deep Learning for Detecting Multiple Damage Types

2018年的一篇杂志文章。文章使用Faster R-CNN用于土木建筑领域的混凝土。钢裂纹等损伤检测，文章主要是把Faster R-CNN迁移到行业检测，算是Faster R-CNN模型的实战，想要快速发论文的同学，可以参考一下写作模式。

检测对象

[2] Anomaly Detection in Nanofibrous Materials by CNN-Based Self-Similarity

2018年的一篇杂志文章。本文提出了一种无监督的纳米纤维材料扫描电镜图像（SEM）异常检测方法。简单说一下作者的想法：1.建立正常样本子patch字典

将无缺陷的样本通过一定尺寸的patch采样，输入特征提取器（论文使用的是带预训练权重的ResNet-18），将提取的特征向量使用PCA降维到低维度特征。由于所提出的方法是基于区域（patch）的，缺陷定位的精度取决于patch的采样大小和采样区域之间的空间重叠。

字典建立过程

 

字典数量和patch尺寸

2.异常检测

对于测试图像，通过相同尺寸的patch采样，输入相同的特征提取器，用欧式距离度量每一个patch图像的特征向量和字典特征向量的距离，然后再计算一个阈值，如果大于阈值，则为异常区域。关于具体的阈值的计算，和作者邮件交流了下，他们是将与测试子patch特征向量最近的五个正常样本字典的欧式距离的均值。示意图如下：

异常衡量

3.检测的对象

4.ResNet-18网络结构

子区域图像特征提取网络使用的是ResNet-18，网络是在ILSVRC 2015识别挑战赛的图像集上预训练的权重迁移到本文的检测网络上。作者对比了基于自然场景图像和缺陷检测图像预训练下的权重对检测效果的影响，发现自然场景效果更好，因此，自然场景图片的内容复杂使得网络学习后特征表达能力更强。

5.个人想法

文章让人思考的地方很多，下面分条阐述：

1、我们都知道CNN一般是要训练的（监督），但是此文仅使用迁移过来的CNN用于特征提取，也就是说，作者想得到“尺寸较小”但是对图像特征表示能力又好的特征向量。我们如果使用卷积自编码器对正常样本做重建，使用中间尺寸较小的feature 做提取的特征，是否可以达到同样效果等等。

2、字典的建立，论文中使用CNN+PCA的组合，也有使用稀疏编码做字典建立的《稀疏编码用于产品表面异常检测》。