本研究提出了一种基于分割的深度学习架构,用于表面异常检测和分割,在表面裂纹检测的特定领域中表现出比其他深度学习方法更好的性能,可以使用少量的样本进行训练,因此可以实际应用于工业领域。
Mar, 2019
本文对深度学习下工业图像无监督异常定位的近期研究成果进行了综述与分析,包括各种概念、挑战、分类、基准数据集及量化性能比较,并提供了未来研究方向的预测和分析。
Jul, 2022
本文探讨了如何利用基于距离的异常检测方法训练深度残差三元组网络模型,并通过随机擦除技术合成缺陷样本以直接学习相似度度量,从而提高表面缺陷检测的准确性。实验结果表明,该方法能够检测出不同类型的异常,包括弯曲、破碎或裂纹等。
Nov, 2020
该研究旨在构建一个高性能的缺陷检测模型,能够在未有异常数据的情况下检测图像中未知的异常模式。作者提出了一个两阶段框架,使用仅有的正常数据来进行异常检测,第一阶段学习自监督的深度表示,第二阶段建立基于学习表示的生成单类分类器。该方法在 MVTec 异常检测数据集上表现良好,并在学习表示时相较于现有技术提升了 3.1 AUC。作者还通过迁移学习,在 ImageNet 预训练模型基础上实现了 96.6 AUC 的最优表现,并扩展了该框架以从补丁学习和提取表示,无需训练期间标注即可定位损坏区域。
Apr, 2021
本研究提出了一种基于深度学习的表面缺陷检测方法,通过利用不同粒度的注释信息从弱标注到像素级其间不同层面进行标注,实现了注释成本的降低,同时取得了在工业质量检验几个数据集上的最优结果。
本文提出了一种基于无监督分割的异常检测方法,使用多尺度区域特征生成器从预训练的深度卷积网络中生成描述子区域的特征,借助这些特征设计一个深度自编码器并通过快速特征重建对图像中的异常区域进行检测,该方法在多个基准数据集上取得了最新技术进展,并具有实际应用潜力。
Dec, 2020
基于视觉异常检测和无监督类别选择的缺陷定位自编码器在制造业中提高缺陷检测的准确度和可靠性。
Sep, 2023
本文提出一种新的自监督学习技术来解决医学影像数据标注不足、数据不平衡等问题,在临床脑 CT 扫描的实验中,该方法取得了很好的效果。
这篇论文提出了一种利用简单学习过程训练轻量级卷积神经网络的方法,将异常检测问题视为监督回归问题,并使用两个可分离连续值分布来标记正常和异常的数据,通过图像增强技术创造出一个独特的异常样本集,并在图像和视频数据集的异常检测实验中展现了该方法的卓越性能。
基于对象检测与异常检测的两阶段方法用于可靠检测绝缘子的故障,结果表明在较少的真实异常样本训练集下,该模型能够准确地识别绝缘子盘上的故障区域,但有一些错误预测。
Nov, 2023