【论文阅读 10】Unsupervised Anomaly Detection for Surface Defects With Dual-Siamese Network

基于双孪生网络的表面缺陷无监督异常检测

IEEE TRANSACTIONS ON INDUSTRIAL INFORMATICS

0. 摘要

        在真实工业场景下,无监督异常检测面临挑战,因为少量的正常图像提供有限的区分信息,而异常缺陷难以预测。尽管目前广泛使用基于图像重建的方法进行异常检测,但它们不能有效地学习语义表示,导致重构效果不佳。
        本文中,我们将异常检测视为一个联合问题,涉及特征重建和修复,使用双孪生框架来解决。提出的方法迫使网络从正常区域学习特征分布,并捕获语义上下文以区分正常和异常区域。
        首先,我们使用Siamese架构捕获无缺陷样本的判别特征以及由缺陷随机生成模块生成的相应缺陷样本。
        然后,我们使用密集特征融合模块获取双输入的密集特征表示。
        接着,我们提出第二个Siamese网络来重建和修复前一阶段的双密集特征。
        与现有方法不同,同时重建和修复密集判别特征的信息对提高检测精度非常有帮助。
        我们在MVTec AD数据集和一些主要的真实工业数据集上进行了实验,结果表明,我们的方法达到了最先进的检测精度。

关键词:异常分割,缺陷检测,特征重建和修复,机器视觉,Siamese网络。

1. Introduction

        表面缺陷检测在工业质量控制中至关重要,广泛应用于工业领域。深度学习方法在自动表面检测方面表现出越来越多的潜力。例如,
        Dong等人[1]使用金字塔特征融合和全局上下文注意网络实现了对表面缺陷的像素级分割。
        Su等人[2]则开发了一个端到端的区域建议网络框架,用于检测原始电致发光图像中的缺陷。 
        Lian等人[3]采用了夸张的局部变异生成对抗网络(GAN)来检测单幅图像的微小缺陷。
        尽管这些方法在某些特定领域表现出色,但它们仍然存在一些限制,使其难以在复杂的现实世界工业场景中得以应用。
        研究人员面临的主要挑战之一是在工业生产中,有缺陷的样本非常稀缺,无法用于深度网络的训练。相反,大多数情况下只能提供各种无缺陷的样本。此外,标记有缺陷的样本是一项既昂贵又耗时的工作。例如,在一些监督学习方法中,检测网络需要边界框标签,而分割网络需要像素级标签。然而,缺陷检测的性能与标注质量密切相关,而在某些工业领域,只有特定专业人员才能够准确标记缺陷。另外,实际工业场景中通常无法预先确定缺陷的类型,因此无法提前标记。尽管正常样本相对较多,但人类具备区分缺陷的能力。因此,迫切需要开发一种能够模仿人类这种能力的智能缺陷检测系统,也称为自动异常检测。

你可能感兴趣的:(计算机视觉,深度学习,论文阅读)