科研之友
微信
新浪微博
Facebook
分享链接
摘要
工业产品表面异常检测是生产制造中不可或缺的环节。在实际工业生产中，普遍存在异常样本所占比例低且未知异常复杂多变等现象，进而造成在小样本数据集上过拟合、泛化能力不佳等一系列负面影响。近年来，标准化流思想为基于深度学习的工业图像异常检测带来了新途径，但标准化流的固有架构易导致模型表达能力不足。针对上述难点，提出了一种面向工业图像异常检测的连续密集标准化流模型。首先，设计一种基于对比学习的特征提取网络预训练策略，将模拟异常数据和少量真实异常数据加入对比学习任务中，并训练特征骨干网络AlexNet拉近或拉远特定样本间的距离；其次，设计连续密集标准化流模型，采用可逆变换的复合架构来构造密集流模块，增强生成式模型对分布的拟合能力。在MVTec AD和Magnetic Tile Defects以及自制的工业布匹数据集上的实验结果表明，与其他的异常检测模型相比，所提方法在3个数据集上的检测性能达到了最优或次优的水平。
- 单位
