基于异常特征对抗学习的工业图像异常检测方法

王天飞,周文俊,项圣,贺宇航,彭博

Industrial image anomaly detection method based on adversarial learning of abnormal features

Tianfei WANG,Wenjun ZHOU,Sheng XIANG,Yuhang HE,Bo PENG

表 1 工业异常检测常用方法对比

Tab.1 Comparison of commonly used methods for industrial anomaly detection

方法类别 关键技术 优点 缺点 基于重建 编码器将输入的工业图像压缩成低维特征向量；解码器再根据该特征向量重建图像 无须对缺陷进行标注，通用性较强 精度及准确度不足，容易误判 基于嵌入 将图像映射到低维的特征空间，计算其特征嵌入与正常图像特征嵌入之间的距离 能够有效提取图像的深层特征，在特征空间中进行距离计算，可量化图像的异常程度，便于分析和决策 若训练数据不足或存在偏差， 会影响模型的泛化能力 基于知识蒸馏 将教师模型的知识迁移到轻量级的学生模型中 降低模型的计算成本，内存需求低 蒸馏效果依赖超参数， 缺乏泛化能力 基于生成模型 通过生成器和判别器的对抗训练，生成器逐渐学习到正常图像的分布特征 能够生成与真实图像相似的样本，可用于数据增强 训练过程不稳定，容易出 现梯度消失、爆炸的问题