基于感兴趣区域注意力模块的生成-重构-判别异常检测网络

异常检测如今在工业应用和进程中日益增多。其中一种主要应用场合是表面异常检测, 旨在识别偏离规律的区域, 从而确定异常产品。缺陷定位是关键任务, 通常通过基本比较生成图像与原始图像之间的差异来实现, 实施某些基于块的分析或图像编辑算法, 在后处理步骤中, 这种方法对源数据集高度偏倚, 无法泛化。此外, 在工业应用中, 并非整个图像都很有趣, 可能是一或多个感兴趣区域 (ROI), 其中只有在这些区域中才存在相关的异常。基于上述原因, 本文提出一种新型体系结构, 由两个模块组成。第一个模块是基于残差自编码器 (ResAE) 的生成对抗网络 (GAN), 用于执行重构和去噪过程, 而第二个模块产生图像分割, 揭示缺陷。该方法从由良好产品和生成的合成缺陷组成的数据集中学习。判别式网络使用训练数据集中每个图像的 ROI 来进行训练。网络将学习在哪些区域存在异常。这种方法保证减少使用预处理算法的需求, 这些预处理算法原来采用基于块的分析和图像编辑程序。为测试本模型, 我们使用具有挑战性的 MVTec 异常检测数据集以及制药 BFS 纸带装有注射剂的大型工业数据集。该组合构成了上述网络更真实的应用场景。