基于频域信息融合的金属表面无监督异常检测

科学领域:

• 材料科学 材料科学 材料科学
• 计算机视觉 计算机视觉
• 人工智能的人工智能

背景情况:

• 工业制造需要高质量的金属产品,需要强大的表面缺陷检测.
• 目前的缺陷检测方法由于缺陷样本稀缺,不可预测的特性和金属粒干扰而面临局限性.
• 精确的金属表面缺陷检测对于确保产品质量和制造效率至关重要.

研究的目的:

• 提出一个无监督的算法,FFnet,用于增强金属表面缺陷检测.
• 在无监督异常检测中引入频域特征,以提高准确性.
• 为了应对有限的缺陷数据和复杂的表面纹理所带来的挑战.

主要方法:

• 开发了FFnet,这是一个无监督的算法,将频域信息与空间特征集成.
• 实现了自适应频域功能增强,以优先考虑异常而不是纹理.
• 利用一个适应尺度的特征重建模块来实现有效的空间频域融合.
• 整合了一个功能选择模块,以增强异常检测和减少计算负载.

主要成果:

• 与最先进的方法相比,FFnet在连接棒表面图像数据集上表现出优异的性能.
• 该算法在Kolektor表面缺陷数据集2的概括实验中取得了最佳结果.
• FFnet在不同的数据集和缺陷类型中展示了强大的概括能力.

结论:

• 拟议的FFnet算法为金属表面缺陷检测提供了一种有效的无监督方法.
• 空间和频域特征的融合显著提高了异常检测的准确性.
• 对于需要可靠的缺陷识别的现实世界工业应用,FFnet显示出前景.