一个基于swin变压器的混合重建区分网络用于图像异常检测检测
Jin Jin1, Yuanping Xu2, Hui He1
1School of Software Engineering, Chengdu University of Information Technology, Chengdu, 610225, China.
Scientific reports
|September 30, 2025
概括
这项研究引入了一个用于工业异常检测的新网络,提高了小缺陷的识别和噪音环境中的性能. 基于Swin变压器的混合重建歧视网络 (SRDAD) 提高了缺陷检测的准确性和精度.
科学领域:
- 计算机视觉 计算机视觉
- 机器学习 机器学习
- 工业自动化 工业自动化
背景情况:
- 卷积神经网络 (CNN) 在检测小异常和在杂的工业环境中保持稳定性方面面临着挑战.
- 现有的方法往往难以应对现实世界工业缺陷检测的复杂性.
研究的目的:
- 为工业应用开发一个先进的异常检测网络.
- 为了增强检测小异常,并提高在噪音条件下的性能.
主要方法:
- 提出了基于Swin变压器的混合重建歧视网络 (SRDAD).
- 集成了一个Swin-Unet用于正常图像重建和一个卷积Unet用于异常对比歧视.
- 利用层次关注窗口和对比学习来改进检测和定位.
主要成果:
- 在MVTec AD数据集上,SRDAD取得了竞争性表现.
- 在检测准确度和定位精度方面,有0.6%的改进,在定位精度方面有0.7%.
- 在检测小异常和在杂环境中保持性能方面展示了增强的能力.
结论:
- 在工业异常检测方面,SRDAD网络有效地解决了传统CNN的局限性.
- 混合重建-歧视方法为缺陷识别提供了卓越的性能.
- SRDAD显示了实际工业缺陷检测应用的巨大潜力.
