用于表面缺陷检测的清晰记忆增强自编码器
计算机视觉与模式识别
2023-02-14 v2 人工智能
摘要
在表面缺陷检测中,由于正负样本数量极度不平衡,基于正样本的异常检测方法受到越来越多的关注。具体而言,基于重建的方法最为流行。然而,现有方法要么难以修复异常前景,要么难以重建清晰背景。因此,我们提出了一种清晰记忆增强自编码器 (CMA-AE)。首先,我们提出了一种新颖的清晰记忆增强模块 (CMAM),它以遗忘与输入相结合的方式结合编码与记忆编码,从而修复异常前景并保留清晰背景。其次,提出了一种通用人工异常生成算法 (GAAGA),以模拟尽可能真实且特征丰富的异常。最后,我们提出了一种新颖的多尺度特征残差检测方法 (MSFR) 用于缺陷分割,使缺陷定位更加准确。大量对比实验表明,CMA-AE 达到了最先进的检测精度,并在工业应用中展现出巨大潜力。
引用
@article{arxiv.2208.03879,
title = {Clear Memory-Augmented Auto-Encoder for Surface Defect Detection},
author = {Wei Luo and Tongzhi Niu and Lixin Tang and Wenyong Yu and Bin Li},
journal= {arXiv preprint arXiv:2208.03879},
year = {2023}
}
备注
12 pages