SCL-VI: 面向工业缺陷视觉检测的自监督上下文学习
计算机视觉与模式识别
2023-11-22 v2
摘要
工业产品缺陷的无监督视觉检测因产品表面差异显著而极具挑战。当前的无监督模型难以在纹理缺陷与物体缺陷检测间取得平衡,缺乏辨别潜在表征与复杂特征的能力。本文提出一种新颖的自监督学习算法,通过求解著名的拼图难题来推导最优编码器。我们的方法将目标图像划分为九块,令编码器预测任意两块间的相对位置关系以提取丰富语义。随后,我们引入亲和增强方法以凸显正常与异常潜在表征间的差异。利用经典的支持向量数据描述算法得到最终检测结果。实验结果表明,我们所提方法在广泛使用的MVTec AD数据集上分别取得95.8%与96.8%的检测与分割性能,确立了纹理与物体缺陷检测的SOTA基准。综合实验印证了该方法在多样工业应用中的有效性。
引用
@article{arxiv.2311.06504,
title = {SCL-VI: Self-supervised Context Learning for Visual Inspection of Industrial Defects},
author = {Peng Wang and Haiming Yao and Wenyong Yu},
journal= {arXiv preprint arXiv:2311.06504},
year = {2023}
}