Normal Reference Attention and Defective Feature Perception Network for Surface Defect Detection

要約

視覚的な異常検出は、産業用自動製品品質検査の開発において重要な役割を果たします。
正常なデータと異常なデータの量の極度の不均衡の結果として、教師なしの欠陥検出方法に注目が集まっています。
既存の再構成ベースの方法は最近広く研究されていますが、均一で不規則な表面テクスチャのために、さまざまなテクスチャ表面欠陥検出のための堅牢な再構成モデ​​ルを確立することは依然として困難な作業です。
この論文では、さまざまなテクスチャ欠陥を正確に検査するために、通常の参照注意および欠陥特徴認識ネットワーク (NDP-Net) と呼ばれる新しい教師なし再構成ベースの方法を提案します。
ほとんどの再構成ベースの方法とは異なり、NDP-Net は最初に表面テクスチャのマルチスケール識別機能を抽出するエンコーディング モジュールを使用します。これは、提案された人工欠陥と新しいピクセル レベルの欠陥認識損失による欠陥識別能力で強化されます。
その後、新しい参照ベースの注意モジュール (RBAM) が提案され、固定参照画像の通常の機能を活用して、欠陥のある機能を修復し、欠陥の再構築を抑制します。
次に、修復された特徴がデコード モジュールに入力され、通常のテクスチャ背景が再構築されます。
最後に、正確な欠陥検出とセグメンテーションのために、新しいマルチスケール欠陥セグメンテーション モジュール (MSDSM) が導入されました。
さらに、2 段階のトレーニング戦略を利用して、検査のパフォーマンスを向上させます。

要約(オリジナル)

Visual anomaly detection plays a significant role in the development of industrial automatic product quality inspection. As a result of the utmost imbalance in the amount of normal and abnormal data, growing attention has been given to unsupervised methods for defect detection. Although existing reconstruction-based methods have been widely studied recently, establishing a robust reconstruction model for various textured surface defect detection remains a challenging task due to homogeneous and nonregular surface textures. In this paper, we propose a novel unsupervised reconstruction-based method called the normal reference attention and defective feature perception network (NDP-Net) to accurately inspect a variety of textured defects. Unlike most reconstruction-based methods, our NDP-Net first employs an encoding module that extracts multi scale discriminative features of the surface textures, which is augmented with the defect discriminative ability by the proposed artificial defects and the novel pixel-level defect perception loss. Subsequently, a novel reference-based attention module (RBAM) is proposed to leverage the normal features of the fixed reference image to repair the defective features and restrain the reconstruction of the defects. Next, the repaired features are fed into a decoding module to reconstruct the normal textured background. Finally, the novel multi scale defect segmentation module (MSDSM) is introduced for precise defect detection and segmentation. In addition, a two-stage training strategy is utilized to enhance the inspection performance.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google