基于对照学习的图像缺陷检测算法

作者：萧铂钿; 张绍兵; 成苗

来源：计算机应用, 2023, 43(S2): 216-222.

DOI：10.11772/j.issn.1001-9081.2022121888

• 对照学习
• 注意力机制
• 图像分割
• 钞纸
• 伪孪生网络

钞纸在实际生产过程中，由于纸类本身存在柔性变化，采用传统的模板匹配使得检测的结果不准确。同时现在使用的深度学习算法对水印进行检测会出现漏检、错检，以及对小缺陷检测不够准确的问题。针对这些问题，提出一种基于对照学习的图像缺陷分割检测算法。首先，网络输入中心位置相同但大小不等的缺陷图与模板图，其中模板图分辨率稍大于缺陷图。网络采用双分支的编解码器结构，使用ResNet50作为主干网络，分别提取模板图与缺陷图的特征。然后，设计对照注意力模块LACB(Local Attention Contrast Block)，将两个分支各个阶段所提取的特征图作为对照注意力模块的输入。将输入进对照模块的特征图划分为数量相同、大小不同的Patch，用注意力机制的方式局部对照缺陷图与模板图之间的差异。由于纸张本身存在柔性变化，水印会在小范围内发生偏移，所以需要在模板图上相对于缺陷图像的位置的一个更大范围内进行对照。因此，输入的缺陷特征图要小于模板特征图，使网络允许特征在一定范围内偏移，模糊缺陷的局部位置信息。将前三层的对照结果输入解码器中，最后一层输入ASPP(Atrous Spatial Pyramid Pooling)中，在语义上综合全局的信息。最后通过解码器将多尺度的特征图跨层融合，减缓下采样带来的信息丢失，同时加强模板图与缺陷图之间不同特征的响应，使分割结果更加精准。实验结果表明，该算法在钞纸数据集上，相较于U-Net,MIoU(Mean Intersection over Union)提高了5.63个百分点，达到了92.36%,F1分数提升了6.23个百分点，达到了92.70%；而相较于DeepLabV3+,MIoU提高了4.06个百分点，F1提升了4.44个百分点。

• 单位
  中国科学院成都计算机应用研究所; 深圳市中钞科信金融科技有限公司; 中国科学院大学