我们提出了一种以知识蒸馏为基础的方法，专门针对与织物相似的纹理的无监督异常检测挑战。我们的方法旨在重新定义最近引入的反向蒸馏方法，通过编码器 - 解码器设计来减轻分类器偏差并防止学生重构异常。我们通过在多个纹理数据集（包括 MVTEC AD，AITEX 和 TILDA）进行一系列实验，并在纺织品制造设施获取的数据集上进行实验来展示我们方法在性能和推理速度方面的能力，本文的主要贡献是：一种利用反向知识蒸馏技术的鲁棒纹理异常检测器，适用于异常检测和领域泛化，以及一个包含各种织物和缺陷的新数据集。

Jan, 2024

本文提出一种基于 Vision Transformer 的无监督异常检测网络，利用分层任务学习和人类经验来增强其可解释性，可以有效解决高维空间中非线性模型拟合的问题和纹理变化对算法鲁棒性的挑战，并在公开数据集上取得了 99.8% AUC 的表现，优于现有最先进方法。

Jul, 2022

本文提出了一种用于检测工业纺织品织物结构中瑕疵的自动化处理过程，通过领域泛化异常检测中的特异性学习过程，结合泛化和学习过程的能力，提供了快速而精确的异常检测和分割，实现了领域通用纹理异常检测方法最先进的性能。

Jun, 2023

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

通过使用一类无监督学习方法，使用深度卷积神经网络进行图像完成，以完成缺件区域的图像，并使用像素重建误差进行异常检测的方法，有效用于检测表面装饰塑料零件的显著异常，并且此方法优于其他测试方法。

Nov, 2018

提出了一种基于掩膜区域卷积神经网络（Mask Region-based CNN）的系统，用于在 X 射线图像中识别铸造缺陷。该系统同时执行输入图像的缺陷检测和分割，并采用转移学习来减少训练数据需求并提高训练模型的预测准确性。

Aug, 2018

在制造业质量控制阶段，缺陷检测是最重要且具有挑战性的任务之一。本文引入了一种张量卷积神经网络（T-CNN），并在罗伯特・博世公司生产的超声波传感器组件的实际缺陷检测应用中对其性能进行了研究。我们的量子启发式 T-CNN 在减少模型参数空间的基础上操作，从而大幅提高了相当于 CNN 模型的训练速度和性能，同时又不损失准确性。具体而言，我们展示了 T-CNN 如何以质量评价指标衡量的同等性能，在参数数量减少了 15 倍的情况下，训练时间加快了 4% 至 19%。我们的结果表明，T-CNN 大大优于传统人工视觉检测的结果，在制造业的实际应用中具有重要价值。

Dec, 2023

该论文提出一种无需建模过程，通过生成对抗网络（GAN）、新提出的缩放模式损失和动态遮蔽循环次要网络等三方面联合作用直接检测缺陷模式的一阶段框架，在 MVTec AD 数据集的质地类别中表现出比现有技术更高的 F1 分数和更好的普适性。

Jun, 2023

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。

Nov, 2022

研究中使用基于深度学习和 CNN 技术的缺陷检测方法，同时设计参数和 Taguchi 实验以建立自动化检测系统来提高紧固件标准化质量控制。

Jul, 2022