.png){kind=icon}
返回
Weakly Supervised Complex Texture Defect Detection Based on Nested U-Net Architecture
.png){kind=icon}
PRE
AI
DOI：10.1007/s10921-025-01161-5.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
工业产品的丰富复杂纹理信息，以及工业场景中正常产品数量通常远超缺陷产品数量的客观事实，对产品质量检测构成了巨大挑战。为解决此挑战，提出了一种基于嵌套U-Net的弱监督缺陷检测模型：以嵌套U-Net作为模型主体，并引入了注意力模块，该模块能够获取局部特征间及特征通道间的关系。此外，采用了弱监督训练策略：利用柏林噪声（Berlin noise）、外部数据及正常样本合成缺陷，并将少量真实缺陷样本随机插入合成缺陷样本中，以训练检测模型。在公开数据集MVTec AD、DAGM、MT及自建CT（computed tomography）复合材料数据集上进行了实验验证，评价指标包括图像级AUC（受试者工作特征曲线下面积）、像素级AUC及AP（平均精度）。实验结果表明，所提方法在四个数据集的三种评价指标上分别达到99.9%/98.7%/84.1%、99.1%/95.3%/76.1%、100%/98.1%/86.7%和73.6%/69.1%/36.0%的卓越性能，优于当前先进模型。
Keyword:
Texture defect detection
U-net
Weakly supervision
Composite material
期刊
IF:
2.4
论文数:
293
被引数:
2.7K
机构
暂无机构信息
引用论文
A Highly Efficient and Lightweight Detection Method for Steel Surface Defect一种高效且轻量化的钢材表面缺陷检测方法
.png){kind=icon}
PREAI
分享收藏
分享收藏
查看更多内容