.png){kind=icon}
返回
Unsupervised fabric defect detection algorithm based on vector quantization and feature distance
.png){kind=icon}
PRE
AI
DOI：10.1177/00405175251342617.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
织物缺陷检测是纺织品生产中不可或缺的步骤，已提出许多基于深度学习的方法。然而，现有监督方法受限于标注数据集的缺乏，无监督异常检测方法仍无法满足实际应用需求。为解决这些问题，提出了一种基于特征距离的新型无监督双尺度方法DSFD。首先，利用织物纹理的周期性特征，基于向量量化变分自编码器（VQ-VAE）提出了获取图像块特征模板的方法以及计算图像块异常分数的方法。其次，为解决模型训练和测试时因基于欧氏距离的量化机制导致码本向量无法有效激活的问题，提出了基于余弦相似度的量化机制。消融实验证明了其提升缺陷检测性能的有效性。最后，为增强模型应用于不同类型织物图像时的鲁棒性，提出了双尺度方法。该方法与五种最新异常检测方法在三个开源数据集上进行比较，实现了更优的缺陷检测性能。在曲线下面积评分方面，图像级缺陷检测性能提升2.1%，像素级分割性能提升1.3%。
Keyword:
Fabric defect detection
vector quantized variational autoencoder
feature distance
image segmentation
期刊
IF:
1.9
论文数:
127
被引数:
1.0W
机构
引用论文
An effective framework using identification and image reconstruction algorithm for train component defect detection.png)
APPLIED INTELLIGENCE
APPLIED INTELLIGENCEIF3.5
PREAI
分享收藏分享收藏分享收藏
Improved faster R-CNN for fabric defect detection based on Gabor filter with Genetic Algorithm optimization基于遗传算法优化Gabor滤波器的改进faster r-cnn织物疵点检测
PREAI
分享收藏
查看更多内容