正负样本差异特征双径向融合的自监督缺陷检测方法

作     者：高港 魏利胜 朱圣博 Gao Gang;Wei Lisheng;Zhu Shengbo

作者机构：安徽工程大学电气工程学院芜湖241000 

出 版 物：《电子测量与仪器学报》 (Journal of Electronic Measurement and Instrumentation)

年 卷 期：2024年第38卷第5期

页      面：201-209页

核心收录：

学科分类：080901[工学-物理电子学] 0809[工学-电子科学与技术（可授工学、理学学位）] 081203[工学-计算机应用技术] 08[工学] 080401[工学-精密仪器及机械] 0804[工学-仪器科学与技术] 0835[工学-软件工程] 0803[工学-光学工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

基　　金：安徽省教育厅自然科学研究重大基金资助项目(KJ2020ZD39) 安徽省检测技术与节能装置重点实验室开放基金项目(DTESD2020A02)资助 

主　　题：缺陷检测 合成负样本 CA PANet 加权损失 

摘      要：针对纹理图像表面划痕、裂纹等缺陷不规则、随机分布,导致缺陷检测准确率低的问题,研究一种基于正负样本差异特征双径向融合的自监督缺陷检测方法。首先,采用Otsu阈值分割提取图像前景信息,并以DTD数据集中的纹理图像或数据增强后的正样本叠加Perlin噪声,对正样本图像进行缺陷模拟以合成负样本;然后,利用正负样本经编码器输出的中间特征,计算均方误差进行特征匹配,结合坐标注意力(coordinate attention, CA)和双径向路径聚合网络(path aggregation network, PANet)加强匹配特征的信息融合;最后,将融合特征与编码器输出的低层和高层特征一同输入解码器,优化调整Focal、L1和Dice损失函数权重,实现对缺陷掩码更精准地预测。实验显示,所提模型在MVTec AD数据集纹理类别上的平均图像级、像素级AUROC分别达到了0.995、0.968,相较于其他缺陷检测模型,分类和分割准确率均有提升,表明所提方法在纹理缺陷检测方面的有效性。