基于孪生网络的工业缺陷弱监督视觉检测算法

工业品缺陷存在目标多尺度和随机性等特点,易导致现有的目标检测算法出现误检或漏检现象.基于卷积神经网络架构,提出一种高性能的工业缺陷视觉检测模型,记为SNDec(Siamese network detection).采用并行权重共享的孪生网络(Siamese network, SN)将工业缺陷转化为视觉差异特征.孪生网络由并行特征提取通道构成,并以两通道的差异特征作为输出,能够在抑制同类属性的前提下,最大程度地凸显缺陷特征.结合弱监督定位算法,所提模型能够在实现高精度识别的同时,获取工业缺陷发生位置.通过引入卷积块注意力机制(convolutional block attention module, CBAM),进一步提升了模型检测精度.在真实工况采集的注塑瓶盖数据集以及公开的MVTec数据集上,将当前主流的工业品缺陷视觉检测算法(ResNet 50、1-NN、U-Student和GANomaly)与SNDec模型进行比较.结果表明,SNDec模型取得了89.2%的分类准确率和90.1%的召回率,比ResNet50模型分别提高了5.7%和3.2%.仿真结果验证了基于差异特征实现工业缺陷检测的有效性,结合弱监督定位算法Grad-CAM,SNDec模型能够以热力图形式实现准确的工业缺陷定位,为工业缺陷特征刻画提供更为丰富的信息.