基于FastFlow的复杂纹理图像异常检测

为了提高FastFlow的缺陷检测准确率和分割能力,分析FastFlow在复杂图像异常检测上性能下降的原因,提出一种基于FastFlow的改进模型SAFlow(Self-Attention-Flow)。为了解决异常检测准确率低的问题,首先,采用ResNet18为特征提取器,FastFlow为主干网络,均值方差阈值分割作为分割方法;其次,添加一条特征信息添加分支,包含特征金字塔(FP)模块与自注意力(SA)机制模块,旨在给予网络更多的特征信息参考;最后,采用K-sigma动态阈值作为生成的热力图分割阈值,使分割结果更准确。实验结果表明,与FastFlow模型相比,SAFlow在4个复杂纹理图像数据集上的Pixel-AUC(Area Under Receiver Operating Characteristic Curve)精度分别提升了4.98、3.05、1.44和3.88个百分点;在总数据集上,Pixel-AUC平均精度提升了3.34个百分点。所提网络结构使样本数据最后形成的正态分布更具有代表性、更集中,分布中异常负对数似然得分更高,异常检测准确率更高,解决了复杂纹理图像中异常缺陷的检测问题难点。

基于改进DFVDFF网络的变焦深度测量

针对差分聚焦体(DFV)与变焦深度测量(DFF)联合应用的网络(简称为DFVDFF)精度较低的问题,首先,将特征提取模块的网络结构替换为UNet++,并在深度信息提取模块内增加注意力机制,通过关注重要的特征并融合深层特征和浅层特征提升网络预测的精度;然后,针对DFVDFF生成的深度图纹理边界模糊的问题,使用结构相似度和平滑平均绝对误差融合的损失函数替换原有的平滑平均绝对误差损失函数,通过提升损失函数对纹理边界的敏感程度引导网络生成更清晰的边界。实验结果表明,改进后的网络在有噪声的DDFF-12数据集上,相较于原始DFVDFF网络,均方误差下降了7.40%;在无噪声的FoD500数据集上,相较于原始DFVDFF网络,均方误差下降了19.07%。并且,改进后的网络在两个数据集上生成的深度图比DFVDFF网络生成的深度图具有更清晰的纹理边界。