面向边缘智能制造的纹理表面缺陷视觉检测特征记忆重排网络

纹理表面工业检测——以视觉检测的形式——近期进展使得此类检测在高效、柔性制造系统中成为可能。我们提出一种无监督特征记忆重排网络（FMR-Net）来同时精确检测各类纹理缺陷。与主流方法一致，我们采用背景重建思路；然而，我们创新性地利用人工合成缺陷使模型能够识别异常，而传统方法仅依赖无缺陷样本。首先，我们采用编码模块获取纹理表面的多尺度特征。随后，提出基于对比学习的记忆特征模块（CMFM）以获取判别性表示并在潜空间构建正常特征记忆库，其可作为缺陷的替代并快速给出块级异常分数。接下来，提出一种新颖的全局特征重排模块（GFRM）来进一步抑制残差缺陷的重建。最后，解码模块利用恢复的特征重建正常纹理背景。此外，为提升检测性能，采用两阶段训练策略进行精确的缺陷重建细化，并利用多模态检测方法来达成噪声鲁棒的缺陷定位。我们通过大量实验验证了方法，并通过多级检测方法测试了其在云边协同智能制造场景中的实际部署，表明FMR-Net展现出最先进的（SOTA）检测精度，并在支持边缘计算的智能工业中显示出巨大应用潜力。