Nov, 2022

基于正常参考关注机制和缺陷特征感知网络的表面缺陷检测

PDF
TL;DR本文提出了一种名为 NDP-Net 的无监督重构方法，通过引入多比例判别特征提取模块和基于参考的注意力机制，准确检测各种纹理缺陷并进行多尺度缺陷分割。
发现论文，激发创造
  • 面向边缘智能制造的纹理表面缺陷视觉检测特征记忆重排网络

    本文提出了一种新的无监督特征记忆重组网络（FMR-Net）来准确检测各种纹理缺陷，通过提取多尺度特征、对比学习模块（CMFM）、全局特征重排模块（GFRM）来构建正常特征记忆库，采用两阶段的训练策略，使用多模式检测方法来实现缺陷定位，实验证明该方法具有较高的检测精度，适用于边缘计算的智能制造场景。

    Jun, 2022

  • 联合注意力引导特征融合网络用于表面缺陷的显著性检测

    面部缺陷检查在工业生产过程中起着重要作用。尽管基于卷积神经网络（CNN）的缺陷检查方法取得了巨大进展，但仍然面临许多挑战，如缺陷尺度变化，复杂背景，低对比度等。为了解决这些问题，我们提出了一个基于编码器 - 解码器网络的联合注意力引导特征融合网络（JAFFNet）来进行表面缺陷的显著性检测。JAFFNet 主要将联合注意力引导特征融合（JAFF）模块并入解码阶段，以自适应地融合低级和高级特征。JAFF 模块学习强调缺陷特征，并在特征融合过程中抑制背景噪声，有益于检测低对比度的缺陷。此外，JAFFNet 在编码器之后引入了一个密集感受野（DRF）模块，用于捕捉具有丰富上下文信息的特征，有助于检测不同尺度的缺陷。JAFF 模块主要利用高级语义特征提供的学习联合通道 - 空间注意力图来引导特征融合。DRF 模块利用一系列多感受野（MRF）单元，每个单元将前面的所有 MRF 特征图和原始输入作为输入。得到的 DRF 特征捕捉了具有大范围感受野的丰富上下文信息。在 SD-saliency-900、磁砖和 DAGM 2007 上进行的大量实验表明，我们的方法在与其他最先进的方法进行比较时取得了有希望的性能。与此同时，我们的方法实现了每秒 66 帧的实时缺陷检测速度。

    Feb, 2024

  • 基于归一化注意力和双尺度交互的无服务铁路表面缺陷分割

    本文提出了一种基于规范化的注意力和双尺度交互的新颖的 NRSD 分割网络，名为 NaDiNet，通过 Normalized Channel-wise 自我注意力模块和双尺度交互块，能在不同粒度的缺陷区域中实现精确的分割。

    Jun, 2023

  • 工业异常检测与定位的噪声到规范重构

    提出了一种基于重建的方法，利用噪声到规范范式来检测工业质量检测中的异常，通过多尺度融合和残差注意力模块实现端到端的异常检测和定位，在 MPDD 和 VisA 数据集上取得了比最新方法更有竞争力的结果，并在 MPDD 数据集上创造了新的最新标准。

    Jul, 2023

  • CSE：使用对比选择嵌入进行表面异常检测

    本研究提出了一种以目标特定嵌入为核心的新方法，通过引入人工生成的有缺陷样本和无缺陷样本，使用对比训练过程捕捉待考虑纹理的最具代表性特征，并利用表面的内在性质，从无缺陷样本中推导出有意义的表示，从而实现了对异常得分的简单而有效的计算。通过在 MVTEC AD 和 TILDA 数据集上进行的实验，验证了我们的方法与最先进方法的竞争力。

    Mar, 2024

  • 注意力模块提升现代图像级异常检测：DifferNet 案例研究

    提出一种基于 DifferNet 的解决方案，利用 SENet 和 CBAM 作为骨干网络的注意力模块，通过对三个不同的视觉检测和异常检测数据集（MVTec AD、InsPLAD 故障和半导体晶片）进行改进，提高了检测和分类能力，并通过定量和定性评估显示了改进的结果。

    Jan, 2024

  • 基于 Attention 模块提升工业检测中的图像级异常检测：DifferNet 案例研究

    通过注意力机制和深度神经网络，提出了一种改进的 DifferNet 解决方案：AttentDifferNet，它在三个工业检测数据集中实现了改进的图像级缺陷检测和分类性能，达到了业界最新水平，突出了注意力在工业异常检测中的重要性。

    Nov, 2023

  • 决策融合网络与感知微调的缺陷分类

    表面缺陷检测是工业检测中的重要任务，本文提出了一个决策融合网络 (DFNet)，通过融合语义决策和特征决策来增强网络的决策能力，同时引入感知微调模块 (PFM) 来对前景和背景进行微调，并通过一个内外分离权重矩阵来解决标签边缘不确定性的影响，在公开数据集上验证了所提方法的有效性。

    Sep, 2023

  • DANet：通过高效的变形注意力网络提升小目标检测

    在制造环境中，高效准确地检测小型物体，如缺陷和裂纹，对于确保产品质量和安全至关重要。我们提出了一种综合策略，通过将 Faster R-CNN 与先进的方法结合起来，有效解决了这个问题。我们的模型在 NEU-DET 和 Pascal VOC 数据集上进行了严格评估，验证了其鲁棒的性能和通用性。在 NEU-DET 数据集上，我们的模型表现出对钢铁缺陷的深入理解，在识别各种缺陷方面实现了最先进的准确性。同时，在 Pascal VOC 数据集上评估时，我们的模型展示了在复杂且小型场景中检测各类对象的能力。

    Oct, 2023

  • 基于卷积神经网络的无监督纺织品缺陷检测

    本研究提出了一种基于模式的无监督纺织品异常检测方法，结合了传统卷积神经网络和无监督学习范式的优点。该方法包括预处理、自动模式周期提取、补丁提取、特征选择和异常检测等五个主要步骤。与现有方法相比，我们的方法使用了一种新的动态和启发式的特征选择方法，避免了常用方法中初始化滤波器（神经元）数量和权重以及反向传播机制的缺点。我们的算法在 Patterned Fabrics 基准数据集上展示了可靠和有竞争力的结果，并且具有较低的计算成本和高效的训练时间。

    Nov, 2023