基于融合特征分布学习与图像重建的异常检测

无监督学习是当前工业产品缺陷检测领域的主流研究方向,目前主要分为基于重建和基于特征的两类方法。前者构建基于内容感知的映射以将异常区域映射为正常区域并通过残差图像来检测缺陷,注重于图像整体的表现。后者利用高层语义特征以实现定位异常,更加注重图像细节呈现。根据两种方法的优缺点,本文提出一种基于特征与重建融合的方法,有效结合两者优点互补其不足并实现统一的端到端的学习与推理。首先训练一个重建模型,然后采用归一化流模型以充分学习输入正常样本的高可能性数据概率分布,使其与重建模型相融合,有效地提高重建模型缺陷检测以及缺陷定位的准确率。在广泛使用的MVTec AD数据集上,提出的融合模型的平均图像级AUROC达到了98.7%,平均像素级AUROC达到了94.2%,特别地,相比单一重建模型提升了3.3%。提出的特征与重建网络融合模型显著提高了重建网络部分对于缺陷定位的不足,使结果更为精确。

融合自注意力与缺陷凸显的缺陷检测方法

针对无监督缺陷检测中重建网络在抑制异常重建的同时无法保留正常区域细节信息的问题,提出了一种融合自注意力与缺陷凸显的缺陷检测方法。首先,在重建网络中引入离散小波变换(DWT)进行下采样,并使用离散小波逆变换(IDWT)进行上采样。相较于传统重建网络,这种方法能减少细节信息的丢失,并对特征进行频率分解。同时,在跳连接中加入自注意力模块对特征重新编码,使其重点关注正常区域的细节信息。此外,设计了一个缺陷区域凸显模块,利用正常样本特征构建特征库,将从测试图像提取的特征与特征库中特征对比得到异常图,将异常图与重建差值图相结合来改善缺陷定位结果。在工业缺陷检测数据集MVTec AD上进行测试,在图像级AUROC上取得了99.3%的结果,同时在像素级AUROC上取得了98.3%的结果,在无监督缺陷检测中具有较高的检测精度和鲁棒性。