基于自监督卷积和无参数注意力机制的工业品表面缺陷检测

摘要

目前，基于深度学习的工业品表面缺陷检测存在着负样本数据集少、样本易受复杂工业环境影响无法提取有效特征、标注数据集需要耗费大量人工成本的问题。为解决上述问题，本研究提出一个基于知识蒸馏的工业品表面缺陷检测模型，并在此模型中加入自监督预测卷积模块和无参数注意力机制。该模型将教师网络所学习到的丰富特征知识传递给学生网络，有效提高模型特征表达能力并对缺陷进行像素级定位。该模型在MVTec-AD数据集进行试验，并与各类试验方法的结果进行对比，检测指标和定位指标在不同模型曲线下面积A_ROC上有所提升，证明该方法可以有效提高模型的检测和定位能力。

关键词

工业品表面缺陷检测 / 深度学习 / 知识蒸馏 / 自监督预测 / 注意力机制

基金资助

江苏省研究生科研创新资助项目(KYCX22＿3061)