无监督工业品表面异常检测算法研究.pdfVIP

摘要

工业品表面缺陷检测是制造业产品生命周期中最后的关键环节，直接关系到

产品质量、可靠性以及使用用户的安全。随着计算机视觉技术的快速发展，效率

低下的人工目视检测方法逐渐被基于深度学习的自动检测算法所取代。基于有监

督学习的检测方法虽然检测精度较高，但需要大量的人工标注数据进行训练。相

比之下，无监督异常检测算法仅需无缺陷的正常样本进行训练，大大减轻了数据

集的收集和制作成本。然而，由于训练过程中缺少真实缺陷样本信息的引导，无

监督算法的检测性能往往无法满足需求。本文针对这一问题展开研究。

对现有的多种主流无监督算法的测试结果表明，以DRAEM为代表的基于合

成异常的检测算法由于判别网络的引入具有更优的检测效果。但在面对一些复杂

的缺陷检测场景时，其性能仍然不足。本文针对这一问题提出了注意力机制增强

的改进DRAEM算法。首先通过在伪缺陷样本合成过程中引入先验知识的方式提

高伪缺陷和真实工业品缺陷的相似性，提高算法的检测效果。注意力机制的引入

则增强了判别网络的特征提取能力，有效解决了缺陷边缘检测不准确的问题。

针对改进算法对缺陷位置的分割结果仍不够精细的问题，本文提出了基于特

征融合和超像素条件随机场(CRF)的精细化分割算法。通过融合浅层和深层特征

的方式提高了算法对缺陷区域输出异常值预测的置信度，有效减少了分割结果中

的背景噪声，得到更精细的分割结果。采用结合超像素分割和CRF算法的后处理

策略，实现了对算法输出初始分割结果的进一步精细化，进一步减少了纹理噪声。

本文针对少样本、微小缺陷的金属薄片零件表面缺陷检测需求设计了专有的

图像采集和数据集制作方案。本文方法在金属薄片数据集、KolektorSDD2数据集

和RSDDsI型铁轨缺陷数据集上的检测效果均明显优于其他主流无监督检测算法。

其中KolektorSDD2和RSDDsI型公开数据集上的缺陷检出率均达到50%以上，

金属薄片数据集上的缺陷检出率则达到了75.71%，分割结果交并比(IoU)达到

32.96%。多个数据集上的消融实验充分证明了算法框架中各模块的有效性，其中

RSDDsI型铁轨缺陷数据集上的实验效果尤为明显，只有在伪缺陷合成步骤中引

入先验知识才能成功检测缺陷；引入注意力后的IoU和缺陷检出率分别提升了

15.65%和14.91%；特征融合后的IoU和检出率则分别提升了5.99%和3.51%；基

于超像素分割和条件随机场(CRF)的后处理算法将分割结果的IoU提升了2.2%。

关键词：表面缺陷检测；无监督学习；合成异常；卷积神经网络

Abstract

Surfacedefectdetectiononindustrialproductsisacriticalfinalstepinthe

manufacturinglifecycle,directlyimpactingproductquality,reliability,andusersafety.

Withtherapiddevelopmentofcomputervisiontechnology,inefficientmanualvisual

inspectionmethodsaregraduallybeingreplacedbyautomaticdetectionalgorithms

basedondeeplearning.Althoughsupervisedlearningdetectionmethodsofferhigh

accuracy,theyrequirealargeamountofmanuallylabeleddatafortraining.Incontrast,

unsupervisedanomalydetectionalgorithmsonlyneeddefect-freenormalsamplesfor

training,significantlyreducingthecollectionandproduction