周期模式的新型表示及其在无训练异常检测中的应用
计算机视觉与模式识别
2024-09-10 v1 机器学习
摘要
有各种工业产品具有周期性纹理或表面，例如碳纤维织物和显示面板。针对这些产品的传统基于图像的质量检测方法需要从正常图像（无异常和噪声）中识别周期模式，随后检测外观不一致的异常像素。然而，在存在未知异常和测量噪声的情况下，从单张图像中准确提取周期模式仍具挑战性。为了应对这一挑战，本文提出了一种定义在一组连续参数上的周期图像的新型自表示。通过这种方式，周期模式学习可以嵌入到一个联合优化框架中，该框架被称为周期-稀疏分解，同时对稀疏异常和高斯噪声进行建模。最后，对于可能不严格满足周期假设的真实工业图像，我们提出了一种新颖的像素级异常评分策略，以增强异常检测的性能。模拟和真实案例研究均证明了所提方法在周期模式学习和异常检测中的有效性。
引用
@article{arxiv.2409.05389,
title = {A Novel Representation of Periodic Pattern and Its Application to Untrained Anomaly Detection},
author = {Peng Ye and Chengyu Tao and Juan Du},
journal= {arXiv preprint arXiv:2409.05389},
year = {2024}
}