自动纤维铺放中的异常检测：数据受限下的学习

自动纤维铺放（AFP）中的传统缺陷检测系统通常依赖端到端监督学习，需要大量标注的缺陷样本才能有效训练。然而，此类标注数据的稀缺构成了挑战。为克服该限制，我们提出了一个用于自动纤维铺放中缺陷检测与定位的综合框架。我们的方法结合了无监督深度学习和经典计算机视觉算法，无需标注数据或制造缺陷样本。它能高效检测各类表面问题，且训练所需复合材料零件图像更少。我们的框架采用一种创新的样本提取方法，利用 AFP 固有的对称性来扩充数据集。通过输入纤维铺层表面的深度图，我们提取与每条复合材料带（tow）对齐的局部样本。这些样本经由在正态样本上训练的自编码器处理以进行精确重建，并通过重建误差突出异常。聚合值形成异常图以便直观可视化。该框架对该图应用斑点检测来定位制造缺陷。实验结果表明，尽管仅用有限数量的图像训练自编码器，我们提出的方法仍表现出令人满意的检测精度并准确识别缺陷位置。我们的框架与现有方法性能相当，同时具有不依赖大量缺陷标注数据集即可检测所有类型异常的优势。