基于卷积神经网络的无监督纺织缺陷检测
计算机视觉与模式识别
2023-12-06 v1 人工智能
摘要
在本研究中，我们提出了一种新颖的基于花纹的方法用于无监督纺织异常检测，该方法结合了传统卷积神经网络与无监督学习范式的优势。它由五个主要步骤组成：预处理、自动图案周期提取、块提取、特征选择与异常检测。该提出的方法使用一种新的动态启发式特征选择方法，避免了滤波器（神经元）数量及其权重的初始化缺点，以及诸如梯度消失等反向传播机制的缺点，这些在现有最先进方法中是常见做法。网络的设计和训练以动态的、基于输入域的方式执行，因此不需要特定的配置。在构建模型之前，仅定义层数和步幅。我们不随机初始化权重，也不像基于CNN的方法那样常规地定义滤波器大小或滤波器数量。这减少了在超参数初始化和微调上花费的精力和时间。训练仅需要一个无缺陷样本，且不需要进一步的标记数据。训练好的网络随后用于检测缺陷织物样本上的异常。我们在Patterned Fabrics基准数据集上证明了我们方法的有效性。与最先进的无监督方法相比，我们的算法在更短的时间内、以单轮高效训练和更低的计算成本，产生了可靠且具有竞争力的结果（在召回率、精确率、准确率和F1度量上）。
引用
@article{arxiv.2312.00224,
title = {Unsupervised textile defect detection using convolutional neural networks},
author = {Imane Koulali and M. Taner Eskil},
journal= {arXiv preprint arXiv:2312.00224},
year = {2023}
}