《一种基于无监督学习的纹理表面缺陷自动检测方法》-- 阅读笔记

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