典型文献
基于轻量化重构网络的表面缺陷视觉检测
文献摘要：
基于深度学习的方法在某些工业产品的表面缺陷识别和分类方面表现出优异的性能,然而大多数工业产品缺陷样本稀缺,而且特征差异大,导致这类需要大量缺陷样本训练的检测方法难以适用.提出一种基于重构网络的无监督缺陷检测算法,仅使用容易大量获得的无缺陷样本数据实现对异常缺陷的检测.提出的算法包括两个阶段:图像重构网络训练阶段和表面缺陷区域检测阶段.训练阶段通过一种轻量化结构的全卷积自编码器设计重构网络,仅使用少量正常样本进行训练,使得重构网络能够生成无缺陷重构图像,进一步提出一种结合结构性损失和L1损失的函数作为重构网络的损失函数,解决自编码器检测算法对不规则纹理表面缺陷检测效果较差的问题;缺陷检测阶段以重构图像与待测图像的残差作为缺陷的可能区域,通过常规图像操作即可实现缺陷的定位.对所提出的重构网络的无监督缺陷检测算法的网络结构、训练像素块大小、损失函数系数等影响因素进行了详细的实验分析,并在多个缺陷图像样本集上与其他同类算法做了对比,结果表明重构网络的无监督缺陷检测算法有较强的鲁棒性和准确性.由于重构网络的无监督缺陷检测算法的轻量化结构,检测1024×1024像素图像仅仅耗时2.82 ms,适合工业在线检测.
文献关键词：
缺陷检测;深度学习;小样本;全卷积自编码器;损失函数
中图分类号：
作者姓名：
余文勇;张阳;姚海明;石绘
作者机构：
华中科技大学机械科学与工程学院 武汉 430074;武汉理工大学机电学院 武汉 430070
文献出处：
引用格式：
[1]余文勇;张阳;姚海明;石绘-.基于轻量化重构网络的表面缺陷视觉检测)[J].自动化学报,2022(09):2175-2186
A类：
全卷积自编码器
B类：
视觉检测,工业产品,缺陷识别,产品缺陷,稀缺,特征差异,样本训练,无监督,检测算法,无缺陷样本,图像重构,网络训练,训练阶段,区域检测,计重,缺陷重构,重构图像,结合结构,L1,损失函数,不规则纹理,表面缺陷检测,检测效果,图像操作,像素块,数系,像样,样本集,素图,ms,在线检测,小样本
AB值：
0.283797
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
