胡廣華 王寧 何文亮 唐輝雄

(華南理工大學(xué) 機(jī)械與汽車工程學(xué)院，廣東 廣州 510640)

納米材料、手機(jī)屏幕、織物、鑄件等產(chǎn)品表面上存在的形狀各異的缺陷會(huì)嚴(yán)重影響產(chǎn)品的經(jīng)濟(jì)價(jià)值，甚至?xí)斐砂踩[患，因此缺陷檢測是工業(yè)產(chǎn)品質(zhì)量檢測中至關(guān)重要的一環(huán)。雖然傳統(tǒng)的缺陷檢測方法能夠有效檢測織物、屏幕等背景均勻、圖像特征顯著的規(guī)則紋理表面的缺陷，但由于欠規(guī)則紋理表面缺陷具有各向異性、非線性、非均勻、易混淆等特征，傳統(tǒng)的方法難以有效檢測欠規(guī)則紋理表面的缺陷區(qū)域。

現(xiàn)有的表面缺陷檢測方法可以分為3大類：基于統(tǒng)計(jì)學(xué)的方法、基于頻域分析的方法和基于學(xué)習(xí)的方法[1]?；诮y(tǒng)計(jì)學(xué)的方法有灰度共生矩陣[2]、直方圖統(tǒng)計(jì)[3- 4]等?；陬l域分析的方法主要包括傅里葉分析[5]、最優(yōu)Gabor濾波器[6]和小波分析[7]等。基于統(tǒng)計(jì)學(xué)的方法和基于頻域分析的方法需要缺陷和正常紋理圖像之間具有較高的對(duì)比度，成像環(huán)境較為苛刻，在工業(yè)應(yīng)用中適應(yīng)性較差。而基于學(xué)習(xí)的方法適應(yīng)性相對(duì)較強(qiáng)，只需要一定的訓(xùn)練數(shù)據(jù)和高性能運(yùn)算單元即可建立檢測模型。隨著近年來機(jī)器學(xué)習(xí)、深度學(xué)習(xí)研究領(lǐng)域不斷取得突破，基于學(xué)習(xí)的缺陷檢測方法成為了缺陷檢測的主流方法?；趯W(xué)習(xí)的缺陷檢測方法可以進(jìn)一步分為有監(jiān)督學(xué)習(xí)方法和無監(jiān)督學(xué)習(xí)方法[8]。典型的有監(jiān)督學(xué)習(xí)方法如單階段檢測網(wǎng)絡(luò)YOLO[9]和SSD[10]、兩階段檢測網(wǎng)絡(luò)Faster- RCNN[11]等，需要大量的正常紋理樣本和大量的缺陷樣本來進(jìn)行模型的訓(xùn)練。對(duì)這些樣本數(shù)據(jù)的標(biāo)注需要巨大的人力成本，同時(shí)由于人的主觀性，會(huì)在標(biāo)注結(jié)果中不可避免地引入人為偏差。另外，有監(jiān)督學(xué)習(xí)方法無法學(xué)習(xí)到未包含在訓(xùn)練集中的“未知”缺陷信息，需要訓(xùn)練集盡可能地包含所有缺陷類型的數(shù)據(jù)。而無監(jiān)督學(xué)習(xí)方法僅需少量正常樣本即可完成網(wǎng)絡(luò)模型的訓(xùn)練工作，吸引了許多研究人員參與到無監(jiān)督學(xué)習(xí)的研究工作當(dāng)中。根據(jù)處理空間的不同，可以將無監(jiān)督學(xué)習(xí)分為基于圖像空間[12]和基于特征空間[13]兩種方法。前者在圖像空間中，通過網(wǎng)絡(luò)模型對(duì)缺陷進(jìn)行重建，根據(jù)重建圖像和待測圖像之間的差異來進(jìn)行缺陷檢測；后者在特征空間中，通過正常紋理樣本和缺陷紋理樣本特征分布之間的差異來判斷當(dāng)前區(qū)域是否為缺陷區(qū)域。目前的無監(jiān)督學(xué)習(xí)方法通常使用自編碼器[14]和生成對(duì)抗網(wǎng)絡(luò)[15]及其變種[16- 18]作為模型，多用于簡單、統(tǒng)一的規(guī)則紋理表面缺陷檢測，而對(duì)于非均勻性、非周期性的欠規(guī)則紋理表面，由于數(shù)據(jù)的發(fā)散性，訓(xùn)練后的網(wǎng)絡(luò)模型容易生成和原圖高度相似的重建圖像，無法有效區(qū)分正常紋理和缺陷。

目前的圖像修復(fù)方法主要根據(jù)圖像中已知內(nèi)容來恢復(fù)缺失區(qū)域內(nèi)容。Pathak等[19]提出了一種上下文編碼器，將深度學(xué)習(xí)應(yīng)用到圖像修復(fù)任務(wù)中。對(duì)于帶有缺失區(qū)域的圖像，通過自編碼器生成重建圖像，通過使損失函數(shù)中的中間損失和對(duì)抗損失最小化，可成功預(yù)測缺失區(qū)域的圖像內(nèi)容，但圖像的失真度較高。Yeh等[20]提出了一種基于深度卷積生成對(duì)抗網(wǎng)絡(luò)(DCGAN)的圖像修復(fù)方法，使用預(yù)訓(xùn)練好的生成對(duì)抗網(wǎng)絡(luò)(GAN)進(jìn)行反向傳播來推斷圖像內(nèi)容。Wu等[21]提出的GP-GAN模型，利用梯度方法和GAN來進(jìn)行合成圖像的高分辨率融合任務(wù)。目前的圖像修復(fù)技術(shù)主要用于圖像編輯、虛擬現(xiàn)實(shí)、藝術(shù)作品修復(fù)等場景，使用大規(guī)模的數(shù)據(jù)集來訓(xùn)練網(wǎng)絡(luò)模型理解圖像的全局信息，對(duì)圖像中的缺失區(qū)域進(jìn)行補(bǔ)全和修復(fù)。

現(xiàn)有的對(duì)復(fù)雜、欠規(guī)則紋理的有監(jiān)督學(xué)習(xí)方法需要大量標(biāo)注后的缺陷樣本，但由于這些缺陷樣本難以囊括所有缺陷類型，故難以產(chǎn)生良好的檢測效果。基于正常紋理樣本學(xué)習(xí)的無監(jiān)督學(xué)習(xí)方法通過訓(xùn)練使網(wǎng)絡(luò)模型習(xí)得正常樣本分布的重建和判別能力。當(dāng)輸入樣本具有異常的紋理時(shí)，可能會(huì)生成不同于正常紋理的樣本圖像[8]。該學(xué)習(xí)任務(wù)的難點(diǎn)在于如何盡可能高精度地重建正常紋理區(qū)域，同時(shí)差異化地重建缺陷紋理區(qū)域，使得缺陷紋理區(qū)域和重建圖像中的對(duì)應(yīng)區(qū)域盡量不同。針對(duì)這些問題，本文提出了一種基于圖像修復(fù)的無監(jiān)督學(xué)習(xí)缺陷檢測方法。該方法首先人為地在樣本圖像中設(shè)置缺失區(qū)域，利用網(wǎng)絡(luò)模型來預(yù)測缺失區(qū)域的內(nèi)容并對(duì)缺失區(qū)域進(jìn)行填充；然后通過評(píng)估填充內(nèi)容和真實(shí)內(nèi)容的結(jié)構(gòu)相似性(SSIM)評(píng)價(jià)圖像和殘差圖像來判斷當(dāng)前區(qū)域?yàn)槿毕輩^(qū)域的概率；最后通過實(shí)驗(yàn)分析本文算法的性能。

1 基于圖像修復(fù)的無監(jiān)督檢測模型

本文的檢測算法分為訓(xùn)練階段和測試階段兩個(gè)階段。在訓(xùn)練階段，人為地在僅包含正常紋理的樣本圖像中設(shè)置像素缺失區(qū)域，由生成對(duì)抗網(wǎng)絡(luò)來預(yù)測缺失區(qū)域中的內(nèi)容并進(jìn)行修復(fù)和填充，通過訓(xùn)練迫使填充內(nèi)容逼近真實(shí)圖像中的內(nèi)容，從而訓(xùn)練出理解正常紋理圖像高層語義信息的網(wǎng)絡(luò)模型，提高網(wǎng)絡(luò)模型對(duì)于“未知”缺陷的泛化能力。在測試階段，當(dāng)缺失區(qū)域中帶有缺陷圖像時(shí)，網(wǎng)絡(luò)模型填充到缺失區(qū)域的內(nèi)容與真實(shí)圖像中的內(nèi)容存在顯著的差異，本文使用基于殘差圖像和SSIM評(píng)價(jià)圖像的方法來判斷當(dāng)前區(qū)域?yàn)槿毕莸母怕?，然后使用閾值分割來完成缺陷檢測和分割工作。

1.1 訓(xùn)練階段

訓(xùn)練階段的模型框架如圖1(a)所示。首先，生成一幅與采樣自原圖像Isrc的輸入樣本x具有相同尺寸的掩膜圖像M，其中缺失區(qū)域的長和寬分別為圖像長和寬的一半。根據(jù)掩膜圖像和輸入樣本圖像獲取遮掩后的樣本圖像x′，即

(1)

式中，i和j分別為像素所在圖像位置的行編號(hào)和列編號(hào)。

判別器D的損失函數(shù)[18]可以表示為

(2)

生成器G的對(duì)抗性損失可以表示為

(3)

生成器G在生成過程中的重建損失Lrecon表示為掩膜遮蓋區(qū)域重建損失和未遮蓋區(qū)域重建損失的加權(quán)和：

圖1 基于圖像修復(fù)的無監(jiān)督表面缺陷檢測方法

Lrecon=αLunmasked+(1-α)Lmasked

(4)

式中,α為權(quán)重系數(shù),Lmasked為掩膜遮蓋區(qū)域的重建損失,Lunmasked為未遮蓋區(qū)域的重建損失。

為提高重建精度，在傳統(tǒng)的均方和誤差(MSE)的基礎(chǔ)上引入了SSIM誤差[22- 23]：

(5)

(6)

式中，β為權(quán)重系數(shù)，I為與輸入樣本同樣尺寸的單位矩陣，⊙表示按位相乘。SSIM的計(jì)算式可表示為

(7)

式中，μx、μy分別為待比較的圖像塊x、y的平均灰度值，σx、σy分別為x、y的灰度標(biāo)準(zhǔn)差，σxy為x和y之間的協(xié)方差，C1、C2是防止分母為0的常數(shù)。

為了提高重建的穩(wěn)定性，進(jìn)一步在生成器損失函數(shù)中引入隱變量損失Llat來約束模型訓(xùn)練中的隱變量。Llat定義為判別器D的中間計(jì)算結(jié)果zreal和zfake的均方和誤差：

Llat=MSE(zreal,zfake)

(8)

式中，zreal和zfake分別為原始樣本和重建樣本圖像輸入到判別器中的中間層隱變量。

綜合式(3)、式(4)和式(8)，生成器G的損失函數(shù)表達(dá)式為

LG=Lrecon+λadvLadv+λlatLlat

(9)

式中，λadv和λlat分別為對(duì)抗性損失Ladv和隱變量損失Llat的權(quán)重系數(shù)。

1.2 測試階段

(10)

式中：G()為生成器G的前向傳播函數(shù)；M為由一系列0/1掩膜圖像Mi組成的集合，可以表示為M={M1,M2,…,MN}，N為集合中的掩膜個(gè)數(shù)，本文取N=4。實(shí)驗(yàn)發(fā)現(xiàn)，隨著N值的增大，缺失區(qū)域在整幅樣本圖像中的面積占比減小，模型僅預(yù)測小范圍內(nèi)的圖像內(nèi)容。過大的N導(dǎo)致模型無論是對(duì)于缺陷樣本還是正常樣本，都生成和原圖像高度相似的樣本圖像，失去了引入缺失區(qū)域的意義。

真實(shí)缺陷尺度跨度往往很大，圖2給出了不同尺度的缺陷被掩膜重建的效果?？紤]缺陷在待測樣本中的不同面積占比，分別取無缺陷的正常紋理、缺陷占據(jù)部分區(qū)域、缺陷占據(jù)全部區(qū)域3類樣本，輸入到網(wǎng)絡(luò)模型中進(jìn)行重建。觀察圖2(a)中重建樣本組和遮掩后樣本組發(fā)現(xiàn)，模型能夠有效預(yù)測缺失區(qū)域的內(nèi)容，經(jīng)過組合后的重建樣本和正常紋理的待測樣本高度一致。圖2(b)為缺陷占據(jù)部分區(qū)域樣本的重建結(jié)果，其中缺陷區(qū)域占據(jù)輸入圖像約四分之一的面積。隨著掩膜滑動(dòng)到缺陷區(qū)域，模型根據(jù)其學(xué)習(xí)到的正常紋理分布信息來預(yù)測缺失區(qū)域的內(nèi)容，重建出符合其鄰域信息的正常紋理圖像。比較圖2(b)中重建樣本與待測樣本，觀察到在缺失區(qū)域兩者的圖像內(nèi)容明顯不同。對(duì)于圖2(c)所示的缺陷占據(jù)全部區(qū)域樣本的重建結(jié)果，盡管其鄰域信息均來自于缺陷區(qū)域，但模型用正常紋理的分布信息來對(duì)缺失區(qū)域進(jìn)行重建，生成的重建樣本和待測樣本仍然有較大的區(qū)分。為了進(jìn)一步提高模型對(duì)于正常紋理的重建精度，本文采取了對(duì)經(jīng)過生成器的重建樣本集合取平均值的方法。這導(dǎo)致了圖3(b)中的重建圖像和原始圖像視覺效果高度相似，因此本文提出了如下的缺陷分割方法，以有效地區(qū)分缺陷紋理和正常紋理。

本文綜合SSIM評(píng)價(jià)圖像和殘差圖像來進(jìn)行缺陷的最終識(shí)別和定位。殘差圖像中各個(gè)像素點(diǎn)的灰度值是原始圖像和重建圖像對(duì)應(yīng)像素點(diǎn)灰度值之差的絕對(duì)值，如圖3(c)所示。SSIM評(píng)價(jià)圖像是通過在原圖像和重建圖像中設(shè)置固定大小的滑動(dòng)窗口[24]，根據(jù)式(7)計(jì)算兩圖像中滑動(dòng)窗口對(duì)應(yīng)區(qū)域的SSIM值，以給定的步長在圖像平面上移動(dòng)滑動(dòng)窗口，對(duì)重疊區(qū)域取平均值，得到的SSIM評(píng)價(jià)圖像如圖3(d)所示。

圖2 不同類型圖像塊的重建

圖3 后處理過程中的圖像

分別對(duì)殘差圖像Iresidual和SSIM評(píng)價(jià)圖像ISSIM進(jìn)行后處理，獲得最終的二值化檢測結(jié)果圖像Iresult：

(11)

(12)

Iresult(i,j)=Iresidual(i,j)&ISSIM(i,j)

(13)

式中，δ1和δ2為分割閾值，&表示邏輯與運(yùn)算。

NanoTWICE[25]中典型缺陷的檢測圖像如圖3(a)所示，其中，前4行的輸入圖像為包含缺陷的圖像，最后一行的輸入圖像為不包含缺陷的圖像?？梢钥闯觯簩?duì)于包含缺陷的圖像，本文網(wǎng)絡(luò)模型能成功地檢測出圖像存在的異常；對(duì)于正常圖像，本文網(wǎng)絡(luò)模型并沒有錯(cuò)誤地判斷出圖中存在的缺陷。這表明，利用本文方法對(duì)欠規(guī)則的紋理進(jìn)行缺陷檢測，結(jié)果是有效的。

2 實(shí)驗(yàn)結(jié)果與分析

2.1 實(shí)驗(yàn)環(huán)境

本文實(shí)驗(yàn)環(huán)境為Windows 10操作系統(tǒng)，顯卡為NVIDIA TITAN Xp，使用Tensorflow深度學(xué)習(xí)框架進(jìn)行訓(xùn)練。網(wǎng)絡(luò)模型具體參數(shù)如表1和表2所示，其中Conv表示卷積網(wǎng)絡(luò)層，Deconv表示轉(zhuǎn)置卷積網(wǎng)絡(luò)層，BN表示批歸一化，LN表示層歸一化。選用Adam優(yōu)化器來訓(xùn)練網(wǎng)絡(luò)模型，設(shè)定的學(xué)習(xí)率為0.002，patch尺寸設(shè)置為32×32，batch size取64，迭代次數(shù)為200，通過如表3所示的對(duì)照實(shí)驗(yàn)來確定模型在訓(xùn)練過程中損失函數(shù)的各項(xiàng)權(quán)重系數(shù)，其中AUC表示受試者工作特征(ROC)曲線下方的面積?？梢钥闯?，本文模型對(duì)不同的超參數(shù)設(shè)置具有魯棒性，最終選取權(quán)重系數(shù)α為0.25，β為0.05，λadv為0.1，λlat為100。

表1 生成器參數(shù)

表2 判別器參數(shù)

表3 損失函數(shù)權(quán)重系數(shù)的選擇

為便于比較，本文選擇了基于l2-AE的缺陷檢測方法[23]、基于DCGAN的無監(jiān)督缺陷檢測方法[26]、SSIM-AE[23]等無監(jiān)督檢測算法進(jìn)行對(duì)比實(shí)驗(yàn)。為進(jìn)一步研究本文算法的有效性，將本文提出的圖像修復(fù)方法同時(shí)應(yīng)用于l2-AE、DCGAN模型進(jìn)行測試對(duì)照，并分別在具有規(guī)則紋理的織物數(shù)據(jù)集MVTec AD Carpet[27]和具有欠規(guī)則復(fù)雜紋理的納米材料數(shù)據(jù)集NanoTWICE上進(jìn)行實(shí)驗(yàn)。

2.2 評(píng)價(jià)指標(biāo)

為了定量地評(píng)估本文檢測算法的有效性，引入準(zhǔn)確率A、查準(zhǔn)率P、查全率R、F1度量以及ROC曲線作為評(píng)價(jià)指標(biāo)，其定義分別為

(14)

(15)

(16)

(17)

(18)

式中，NTP為缺陷位置像素被模型正確判定為缺陷位置像素的數(shù)目，NFP為正常紋理區(qū)域像素被模型錯(cuò)誤地判定為缺陷位置像素的數(shù)目，NFN為缺陷位置像素被模型錯(cuò)誤地判定為正常紋理區(qū)域的像素?cái)?shù)目，NTN為正常紋理區(qū)域像素被正確地判定為正常紋理區(qū)域的像素?cái)?shù)目。ROC曲線的縱軸RTP表示整個(gè)數(shù)據(jù)集中被正確分類為缺陷區(qū)域的像素?cái)?shù)目的比例，橫軸RFP表示整個(gè)數(shù)據(jù)集中被錯(cuò)誤地分類為缺陷區(qū)域的像素?cái)?shù)目的比例。

2.3 實(shí)驗(yàn)結(jié)果分析

為了定量分析本文算法各主要環(huán)節(jié)的作用，設(shè)置了如表4所示的消融實(shí)驗(yàn)，分別開展了訓(xùn)練過程中不使用掩膜遮掩樣本圖像、不使用MSE損失、不使用SSIM損失、不使用隱變量損失、去除模型中的殘差模塊、不使用殘差圖像評(píng)估機(jī)制、不使用SSIM圖像評(píng)估機(jī)制等組別實(shí)驗(yàn)作為本文算法的對(duì)照實(shí)驗(yàn)。表4中的對(duì)比結(jié)果表明，在訓(xùn)練階段使用掩膜遮掩樣本圖像對(duì)缺失區(qū)域進(jìn)行修復(fù)重建的方法，能夠顯著提升異常圖像的缺陷檢測能力。引入MSE損失使得缺陷檢測方法在查全率和查準(zhǔn)率上分別提升了16.40%和8.56%，而引入SSIM使得缺陷檢測方法在查全率和查準(zhǔn)率上分別提升了7.82%和17.56%。與引入MSE損失和SSIM損失所帶來的性能提升相比，使用隱變量損失的提升程度較少，在查全率和查準(zhǔn)率上分別提升了5.36%和2.91%。在網(wǎng)絡(luò)模型中引入殘差模塊，提高了網(wǎng)絡(luò)模型的重建精度，查準(zhǔn)率提升了11.32%。與僅使用殘差圖像作為評(píng)價(jià)機(jī)制的對(duì)照組相比，使用SSIM圖像作為評(píng)價(jià)機(jī)制的組別表現(xiàn)出更為優(yōu)異的檢測性能。結(jié)合殘差圖像和SSIM圖像的評(píng)價(jià)機(jī)制能夠有效提升模型對(duì)微小缺陷的檢測精度，能夠更為精確地檢測出待測圖像中的缺陷區(qū)域。

表4 消融實(shí)驗(yàn)結(jié)果

在規(guī)則紋理的MVTec AD數(shù)據(jù)集中，本文選取了Carpet樣本作為實(shí)驗(yàn)對(duì)象，5幅正常圖像作為訓(xùn)練集，89幅缺陷圖像作為測試圖像，圖像分辨率均調(diào)整為256×256，實(shí)驗(yàn)檢測結(jié)果如表5和圖4所示，幾種算法的ROC曲線如圖5(a)所示?？梢钥闯?，對(duì)于規(guī)則紋理圖像，各算法均能有效地檢測出待測圖像中的缺陷區(qū)域，但本文提出的算法能夠更為精確地檢測并分割出缺陷。

在欠規(guī)則復(fù)雜紋理的納米材料數(shù)據(jù)集NanoTWICE中，本文使用了5幅正常紋理的圖像作為訓(xùn)練集，40幅缺陷圖像作為測試集，圖像原始分辨率為1 024×672，典型的檢測結(jié)果如表5和圖6所示，幾種算法的ROC曲線如圖5(b)所示?；趌2-AE、DCGAN等生成模型的算法無法生成和原圖像具有足夠區(qū)分度的重建結(jié)果，難以通過殘差圖像閾值分割方法來獲取缺陷的像素位置，分割出的結(jié)果多為正常紋理的高頻信息，如圖6(c)、6(e)所示。在訓(xùn)練階段和測試階段中增加了遮掩處理后，l2-AE、DCGAN的檢測性能有了顯著的提升，能夠在一定程度上分割出缺陷區(qū)域，如圖6(d)、6(f)所示。SSIM-AE能夠有效地檢測出圖像中的缺陷區(qū)域，但仍然存在相當(dāng)程度的錯(cuò)檢和漏檢。而本文提出的算法可以更精確地檢測出原圖像中的缺陷區(qū)域，表現(xiàn)出更為優(yōu)異的性能。

從表5與圖5可以看出：對(duì)于具有規(guī)則紋理的織物數(shù)據(jù)集MVTec AD，傳統(tǒng)的基于重建的檢測方法，如基于l2-AE、DCGAN的缺陷檢測方法能夠?qū)θ毕輩^(qū)域進(jìn)行有效檢測。使用圖像修復(fù)的方法后，基于l2-AE、DCGAN的缺陷檢測方法的性能略有提升。對(duì)于復(fù)雜、欠規(guī)則紋理的納米材料數(shù)據(jù)集NanoTWICE，l2-AE、DCGAN沒有學(xué)習(xí)到其高層語義信息，生成和輸入圖像高度相似的重建圖像，無法有效地檢測納米材料中的缺陷。在使用了圖像修復(fù)的方法后，l2-AE、DCGAN對(duì)納米材料中缺陷的檢測性能均有了顯著的提升。在NanoTWICE、MVTec AD Carpet數(shù)據(jù)集的檢測實(shí)驗(yàn)中，SSIM-AE均表現(xiàn)良好，原因在于SSIM綜合了亮度、對(duì)比度、結(jié)構(gòu)3方面來對(duì)圖像塊間的相似性進(jìn)行度量；本文算法的準(zhǔn)確率、查全率、查準(zhǔn)率、F1以及AUC等評(píng)價(jià)指標(biāo)均取得了最高值，證明了所提出算法的優(yōu)越性。

(b)GT圖像

(c)l2-AE檢測結(jié)果

(d)遮掩處理-l2-AE檢測結(jié)果

(e)DCGAN檢測結(jié)果

(f)遮掩處理-DCGAN檢測結(jié)果

(g)SSIM-AE檢測結(jié)果

(h)本文算法檢測結(jié)果

圖5 不同算法的ROC曲線對(duì)比

(a)原圖像

(b)GT圖像

(c)l2-AE檢測結(jié)果

(d)遮掩處理-l2-AE檢測結(jié)果

(e)DCGAN檢測結(jié)果

(g)SSIM-AE檢測結(jié)果

(h)本文算法檢測結(jié)果

為了評(píng)估本文算法檢測不同尺度缺陷的性能，分別對(duì)不同尺度大小的納米材料缺陷和織物缺陷進(jìn)行了實(shí)驗(yàn)。待測圖像大小為256×256，采樣的patch尺寸為32×32，結(jié)果如圖7所示。由于本文算法是通過取圖像塊中平均SSIM值的方式獲取SSIM評(píng)價(jià)圖，故對(duì)缺陷尺寸較大、與正常紋理差異較大、背景紋理規(guī)則的缺陷的檢測精度較高，如圖7(a)、圖7(b)所示，但對(duì)缺陷尺寸過小、對(duì)比度過低的缺陷仍存在檢測錯(cuò)誤，如圖7(c)、圖7(d)所示。

圖7 本文算法對(duì)不同尺度缺陷的檢測結(jié)果

3 結(jié)論

本文提出了一種基于圖像修復(fù)的無監(jiān)督缺陷檢測方法：在訓(xùn)練階段，人為地在少量正常紋理樣本圖像中設(shè)置缺失區(qū)域，并利用生成對(duì)抗網(wǎng)絡(luò)模型來預(yù)測缺失區(qū)域的圖像內(nèi)容，通過最小化損失函數(shù)來使得網(wǎng)絡(luò)模型能夠理解圖像的高層語義信息；在測試階段，將逐塊遮掩后的待測圖像輸入至生成器中，生成對(duì)應(yīng)的重建圖像，計(jì)算待測圖像和重建圖像之間的殘差圖像以及SSIM評(píng)價(jià)圖像，并對(duì)殘差圖像和SSIM評(píng)價(jià)圖像分別進(jìn)行閾值分割，最后通過聯(lián)立兩者的分割圖像來完成缺陷的檢測和分割工作。本文提出了結(jié)合重建損失、對(duì)抗性損失和隱變量損失的損失函數(shù)，并通過實(shí)驗(yàn)分析了各項(xiàng)損失對(duì)實(shí)驗(yàn)結(jié)果的影響。在具有規(guī)則紋理的織物數(shù)據(jù)集MVTec AD Carpet和具有欠規(guī)則紋理的納米材料數(shù)據(jù)集NanoTWICE上的實(shí)驗(yàn)結(jié)果表明，本文算法與其他同類無監(jiān)督檢測算法相比，具有更優(yōu)良的檢測性能。