基于距离度量的三元组网络用于工业表面异常检测

表面异常检测在许多制造工业中发挥着重要的质量控制作用，以减少废品产生。近年来，基于机器的视觉检测已取代人类专家执行该任务。特别是，深度学习的卷积神经网络（CNNs）因其预测精度与效率，成为这些基于图像处理解决方案的前沿方法。在分类目标上训练 CNN 需要足够大量的缺陷数据，而这往往难以获取。本文中，我们通过改为在表面纹理块上以基于距离的异常检测目标训练 CNN 来解决该挑战。我们采用了一种基于深度残差的三元组网络模型，并仅通过随机擦除技术由无缺陷样本合成缺陷训练样本，以直接学习同类样本与异类样本之间的相似性度量。评估结果证明了该方法在检测不同类型异常（如弯曲、破损或开裂表面）方面的优势，无论这些已知表面属于训练数据还是未见的新颖表面。