参考论文:《An Unsupervised-Learning-Based Approach for Automated Defect Inspection on Textured Surfaces》
整体思路
·使用无缺陷样本进行模型训练,无监督学习
·多尺度卷积降噪自编码器 + 高斯金字塔重建 完成训练
CDAE(卷积降噪自编码器):
重建输入图像块,并生成残差图以进行预测
高斯金字塔:
分析和综合不同分辨率下的检查结果
实际优势
· 可以适用于表面纹理均匀或不规则的材料
· 不需要手机缺陷样本,可以实时训练,适用于工业中千变万化的情况
· 有很强的可变性,扩展性
· 多种分辨率层次的高斯金字塔,具有较强的鲁棒性和准确性
MSCDAE(多尺度卷积降噪自编码器)
具体选择原理:
CAE网络通常用于有效编码的无监督学习。目的是学习一组数据的表示形式并发现其共同部分
·训练后:
CAE模型中的过滤器将对相似的补丁敏感,并对它们显示出高响应。 对于包含缺陷区域的补丁,补丁域中的外观和分布通常大不相同。
因此,学习的模型可能对它们不那么敏感,并且将生成相对较低的响应。
(通过训练无缺陷图片,模型对无缺陷图片敏感,因此不敏感的就是缺陷图片)
通过测量响应和原始输入之间的残差,可以轻松地进行直接像素预测。
·编码器和解码器部分:
其中“◦”是卷积过程; W和W’是权重矩阵; b和b’分别是编码器和解码器的偏置矢量; σ和σ′是非线性映射过程, 特别是,池化和上采样过程通常以最大池化和最大反池化的形式进行[28]。 可以训练CAE模型以达到重建误差最小化(例如均方误差)
其中N是样本数,λ是一个平衡重构和