摘要

针对目前只需正常样本即可实现缺陷检测的方法存在漏检或过度检测的问题,构建了一种改进掩码自编码器与改进Unet网络结合的算法实现像素级缺陷检测。首先,采用拟合缺陷模块生成缺陷掩码图像及正常图像对应的缺陷图像。其次,对缺陷图像随机掩码,去除缺陷图像大部分的缺陷信息,激励Transformer结构的自编码器从未掩码的正常区域学习表示并依据上下文修复缺陷图像,为了提高模型对细节的修复能力,设计了新的损失函数。最后,将缺陷图像与修复图像拼接后输入拥有通道方向交叉融合Transformer结构的Unet网络,实现像素级缺陷检测。实验结果表明,在MVTec AD数据集上,所提算法平均的基于图像的和基于像素的接受者操作特征曲线下的面积值(Area Under the Receiver Operating Characteristic Curve,ROC AUC)分别达到了0.984、0.982,与DRAEM(Discriminatively trained Reconstruction Anomaly Embedding Model)相比,分别提高了2.9、3.2个百分点;与Cflow-AD(Anomaly Detection via Conditional normalizing Flows)相比,分别提高了3.1、0.8个百分点,证明所提算法具有较高的识别率和检测精度。