研究方向

 

工业表面缺陷异常检测方法

       在实际工业场景中,缺陷样本的稀缺性、标注成本的高昂以及缺陷先验知识的缺乏可能会导致基于有监督的深度学习方法失效。工业异常检测方法相比于依赖大量有标注的样本模型,它只利用无缺陷样本来解决表面缺陷检测问题。团队提出了基于双孪生网络的表面缺陷无监督异常检测方法。与现有从图像级(图像重构)或仅从正常样本的特征(判别性嵌入)学习表示的方法不同,该算法充分考虑了正常和异常信息,挖掘正常和异常区域在特征层面上的位置关系,创新性地将异常检测问题描述为双孪生网络框架下特征重构和修复的联合问题。网络框架如图1所示。

图1 基于双孪生网络的表面缺陷无监督异常检测算法        

       

        此外,针对现有缺陷样本大小随机变化的问题,团队提出了一种多分辨率特征学习网络,利用分层对齐策略有助于定位各种大小的缺陷信息。同时,针对现有异常检测网络难以处理细微和长距离缺陷的问题,团队提出了基于细粒度特征重构的transformer模型(ViTALnet),通过混合CNN和Vit金字塔架构设计,提升了全局大规模和局部微小缺陷的检测效果。特别是该方法在没有依靠合成缺陷的监督学习下,只通过特征比对就能达到非常精细的缺陷定位效果。与paper with code网站上(截至2022年5月)的最佳方法CFlow方法对比的检测效果如图2所示。同时,为了促进研究领域对工业异常检测的关注,团队联合印度理工学院等单位在IEEE TIM上发表最新的工业异常定位(检测)综述,将工业异常定位方法根据不同的模型/方法进行分类和介绍,同时给出了工业异常定位的未来研究方向。该论文被极市平台、知乎和腾讯云等多个公众号转载。
       上述系列研究成果相继发表于国际期刊IEEE Transactions on Industrial Informatics, IEEE Transactions on Instrumentation and Measurement和IEEE Transactions on Artificial Intelligence上,论文第一作者为工程实验室副研究员陶显。这一系列研究工作为工业生产中产品表面缺陷异常检测提供了一种新思路,也为工业视觉检测中克服缺陷样本数据不足问题提供了新的工具。

图2 提出的ViTALnet在MVTec Wood数据集上异常定位效果对比

 


相关论文:

  1. Tao X*, Zhang DP, Ma W, Hou Z, Lu Z, Adak C. Unsupervised Anomaly Detection for Surface Defects with Dual-Siamese Network. IEEE Transactions on Industrial Informatics, 11(18):7707-7717, 2022.
  2. Tao X*,Gong XY, Zhang X, Yan SH, Adak C. Deep Learning for Unsupervised Anomaly Localization in Industrial Images: A Survey[J]. IEEE Transactions on Instrumentation and Measurement, 2022(71):5018021, 2022.
  3. Tao X*,Yan SH, Gong XY,Adak C. Learning Multi-Resolution Features for Unsupervised Anomaly Localization on Industrial Textured Surfaces, IEEE Transactions on Artificial Intelligence, 2022.
  4.  Tao X*,Adak C., Chun Pang-jo, Yan SH, Liu HP. ViTALnet:Anomaly Localization on Industrial Textured Surfaces with Hybrid Transformer[J]. IEEE Transactions on Instrumentation and Measurement, 2023.


(2023年2月13日)