基于图像修复的无监督表面缺陷检测方法

胡广华 王宁 何文亮 唐辉雄

(华南理工大学 机械与汽车工程学院，广东 广州 510640)

纳米材料、手机屏幕、织物、铸件等产品表面上存在的形状各异的缺陷会严重影响产品的经济价值，甚至会造成安全隐患，因此缺陷检测是工业产品质量检测中至关重要的一环。虽然传统的缺陷检测方法能够有效检测织物、屏幕等背景均匀、图像特征显著的规则纹理表面的缺陷，但由于欠规则纹理表面缺陷具有各向异性、非线性、非均匀、易混淆等特征，传统的方法难以有效检测欠规则纹理表面的缺陷区域。

现有的表面缺陷检测方法可以分为3大类：基于统计学的方法、基于频域分析的方法和基于学习的方法[1]。基于统计学的方法有灰度共生矩阵[2]、直方图统计[3- 4]等。基于频域分析的方法主要包括傅里叶分析[5]、最优Gabor滤波器[6]和小波分析[7]等。基于统计学的方法和基于频域分析的方法需要缺陷和正常纹理图像之间具有较高的对比度，成像环境较为苛刻，在工业应用中适应性较差。而基于学习的方法适应性相对较强，只需要一定的训练数据和高性能运算单元即可建立检测模型。随着近年来机器学习、深度学习研究领域不断取得突破，基于学习的缺陷检测方法成为了缺陷检测的主流方法。基于学习的缺陷检测方法可以进一步分为有监督学习方法和无监督学习方法[8]。典型的有监督学习方法如单阶段检测网络YOLO[9]和SSD[10]、两阶段检测网络Faster- RCNN[11]等，需要大量的正常纹理样本和大量的缺陷样本来进行模型的训练。……