A Surface Defect Detection Method Based on Positive Samples （一种基于正样本的表面缺陷检测方法）

文献来源：https://doi.org/10.1007/978-3-319-97310-4_54 （2018 Zhixuan Zhao）

1.论文亮点：

（1）本文提出了一种仅基于正样本训练的新型缺陷检测框架
（2）建立一个重建网络，该网络可以修复样本中存在的缺陷区域，然后将输入样本与恢复样本进行比较，以指示准确的缺陷区域
（3）结合GAN和自动编码器进行缺陷图像重建，并使用LBP进行图像局部对比度检测
（4）在算法的训练过程中，只需要正样本，不需要缺陷样本和人工标注

2.GAN(生成对抗性网络)：

（1）原理：生成器G接收高斯随机信号以生成图片，鉴别器D接收真或假图片，并输出图片为真的概率
（2）原理图：

（3）缺点：使用梯度优化来找到正确的z，然后进一步得到修复图像。这个过程需要花费大量的时间，这是非常不实际的。因此，我们期望使用自动编码器来恢复缺陷图像。

3.网络结构DCGAN：

（1）总体框架：

（2）公式推导：

• 重构误差定义：
  

• GAN的目标函数：
  

• 总体优化目标：
  

（3）网络结构：在模型中，自动编码器只需要将原始映射修复到最近的示例样本，而不需要知道缺陷的具体形式。因此，当样本上附着足够多的随机缺陷时，网络将能够学习修复图的信息
（4）获取缺陷的位置：利用LBP（特征提取）算法对原始图像x和恢复图像y进行处理，得到特征映射x+和y+。对于x+的每个像素点，在y+的相应位置搜索最近的特征值点，y+是作为匹配点的像素点。求两个匹配点的特征值之差，得到绝对值。得到的值越小，该点成为缺陷的可能性越低。然后使用固定阈值二值化，您可以得到缺陷的位置
（5）获取缺陷位置的过程 ：

4.实验部分：

（1）利用织物图像和纹理表面图像对实验模型的性能进行了测试。有3种织物图片和1种纹理表面图片。织物图像来自（Automated fabric defect detection—a review）数据库，纹理表面图像来自DAGM 2007（https://hci.iwr.uni-
heidelberg.de/node/3616）的数据集。在本文中，我们比较了监督语义分割模型和提出的缺陷检测模型。
（2）纹理表面 ：


（2）织物图片：


（3）实验结论：在规则模式背景下，当标记的缺陷样本足够时，我们的模型可以获得并监督语义分割精度，当带有注释的缺陷样本不够时，我们的模型可以获得更高的精度。在时间消耗方面，我们的模型可以实现实时检测。