基于残差池化自编码机的无监督异常分割

TP391.4%TH74; 为了解决异常缺陷面积大小不一及背景干扰问题,基于残差池化自编码机提出一种无监督异常分割模型,检测和分割物体表面的异常缺陷.所提模型设计并使用残差池化模块,增加传统模型对异常的逆向重建能力,使正常和异常之间的分水岭更加明显,解决了大面积缺陷分割不完全的问题;在异常评分阶段引入高斯平滑函数,使模型具有鲁棒性,减小了背景对模型的干扰.在公开的MVTEC AD数据集上进行验证,结果表明,所提模型在图片级别检测精度上达到95.6％、像素级别检测精度上达到96.5％、区域级别的检测精度上达到91.7％,证明了所提模型的有效性,将该模型与其他异常分割方法进行比较,证明了模型的优越...

Full description

Saved in:
Bibliographic Details
Published in计算机集成制造系统 Vol. 30; no. 6; pp. 2069 - 2079
Main Authors 杨胜雄, 陈莹
Format Journal Article
LanguageChinese
Published 江南大学轻工过程先进控制教育部重点实验室,江苏 无锡 214122 30.06.2024
Subjects
Gaussian smoothing
unsupervised
残差池化模块
residual max-pooling
高斯平滑
anomaly segmentation
异常分割
无监督
Online AccessGet full text
ISSN1006-5911
DOI10.13196/j.cims.2021.0843

Cover

More Information
Summary:TP391.4%TH74; 为了解决异常缺陷面积大小不一及背景干扰问题,基于残差池化自编码机提出一种无监督异常分割模型,检测和分割物体表面的异常缺陷.所提模型设计并使用残差池化模块,增加传统模型对异常的逆向重建能力,使正常和异常之间的分水岭更加明显,解决了大面积缺陷分割不完全的问题;在异常评分阶段引入高斯平滑函数,使模型具有鲁棒性,减小了背景对模型的干扰.在公开的MVTEC AD数据集上进行验证,结果表明,所提模型在图片级别检测精度上达到95.6％、像素级别检测精度上达到96.5％、区域级别的检测精度上达到91.7％,证明了所提模型的有效性,将该模型与其他异常分割方法进行比较,证明了模型的优越性.
ISSN:1006-5911
DOI:10.13196/j.cims.2021.0843