Defect Detection论文合集、代码和数据集

Defect Detection论文合集、代码和数据集

文章目录

​​2019​​

​​(划痕)Segmentation-Based Deep-Learning Approach for Surface-Defect Detection​​​​ONLINE PCB DEFECT DETECTOR ON A NEW PCB DEFECT DATASET​​

​​2020​​

​​PCB Defect Detection Using Denoising Convolutional Autoencoders​​

​​2020​​

​​(划痕)End-to-end training of a two-stage neural network for defect detection​​​​Same Same But DifferNet: Semi-Supervised Defect Detection with Normalizing Flows​​

​​2021​​

​​ChangeChip: A Reference-Based Unsupervised Change Detection for PCB Defect Detection​​​​A Cascaded Zoom-In Network for Patterned Fabric Defect Detection​​​​FastFlow: Unsupervised Anomaly Detection and Localization via 2D Normalizing Flows​​​​Towards Total Recall in Industrial Anomaly Detection​​​​（划痕）Mixed supervision for surface-defect detection: from weakly to fully supervised learning​​​​Semi-orthogonal Embedding for Efficient Unsupervised Anomaly Segmentation​​

​​数据集​​​​参考资料​​

2019

(划痕)Segmentation-Based Deep-Learning Approach for Surface-Defect Detection

code: ​​PCB DEFECT DETECTOR ON A NEW PCB DEFECT DATASET

code: ​​Defect Detection Using Denoising Convolutional Autoencoders

2020

(划痕)End-to-end training of a two-stage neural network for defect detection

code: ​​Same But DifferNet: Semi-Supervised Defect Detection with Normalizing Flows

code: ​​制造误差的检测对制造过程中确保产品质量和安全标准至关重要。由于许多缺陷很少发生，而且其特征大多先验未知，它们的检测仍然是一个开放的研究问题。为此，我们提出了差异网：它利用卷积神经网络提取的特征的描述性，使用归一化流来估计它们的密度。规范化流非常适合于处理低维数据分布。然而，他们却在与图像的高维性作斗争。因此，我们采用了一个多尺度的特征提取器，使归一化流能够为图像分配有意义的可能性。基于这些可能性，我们开发了一个指示缺陷的评分函数。此外，将分数传播回图像中，可以实现像素级定位。为了实现较高的鲁棒性和性能，我们在训练和评估中利用了多种转换。与大多数其他方法相比，我们的方法不需要大量的训练样本，并且在低至16张图像时表现良好。

2021

ChangeChip: A Reference-Based Unsupervised Change Detection for PCB Defect Detection

code: ​​电子设备的使用不断增加，并在生活的大多数方面占主导地位。表面安装技术(SMT)是制造电气器件的最常见的工业方法，其中电气元件被直接安装在印刷电路板(PCB)的表面上。虽然电子设备的扩张以一种有效的方式影响了我们的生活，但这些设备的制造程序中的故障或缺陷也可能适得其反，甚至在某些情况下有害。因此，确保电子设备和其生产的零缺陷质量是理想的，有时也是至关重要的。虽然传统的图像处理(IP)技术不足以产生一个完整的解决方案，其他有前途的方法如深度学习(DL)也可能PCB检查挑战，主要是因为这些方法需要大足够的数据集缺失，不可用或不更新在快速增长的多氯联苯。因此，PCB检查通常是由人类专家手动进行的。无监督学习(UL)方法可能可能适用于PCB检查，一方面具有学习能力，另一方面不依赖于大数据集。在本文中，我们介绍了一种基于计算机视觉(CV)和UL的自动和集成的变化检测系统，从焊接缺陷到缺失或错位的电子元件。在不同设置下，通过在金色PCB（参考）图像和检查PCB之间应用无监督变化检测，实现了高质量的缺陷检测。在这项工作中，我们还提出了CD-PCB，一个合成的标记数据集的20对PCB图像，用于评估缺陷检测算法。

A Cascaded Zoom-In Network for Patterned Fabric Defect Detection

摘要： 目前，深度卷积神经网络(DCNNs)广泛应用于结构缺陷检测，需要昂贵的训练成本和复杂的模型参数。通过观察到大多数织物在实践中是无缺陷的，提出了一种两步级联放大网络(CZI-Net)用于图形织物缺陷检测。在CZI-Net中，我们使用聚合的HOG(A-HOG)和SIFT特征来代替简单的卷积滤波器进行特征提取。此外，为了提取更明显的特征，在CZI-Net中包含了特征表示层和全连接层。在实践中，大多数无缺陷的织物只涉及到我们的方法的第一步，而避免了第二步的协同计算，这使得织物检测非常快。更重要的是，我们在第一步中提出了局部约束重构误差(LCRE)，在第二步中提出限制性局部约束编码(RLC)、指标包(BoI)方法。我们还分析了不同编码方法之间的联系，得出视觉词指数在编码方法中起着至关重要的作用。综上所述，基于真实数据集的实验结果表明，该方法不仅计算简单，而且具有较高的检测精度。

FastFlow: Unsupervised Anomaly Detection and Localization via 2D Normalizing Flows

code : ​​Total Recall in Industrial Anomaly Detection

code: ​​能够发现有缺陷的部件是大规模工业制造的关键组成部分。我们在这项工作中解决的一个特别挑战是冷启动问题：仅使用名义（无缺陷）示例图像拟合模型。虽然每个类都有手工解决方案是可能的，但目标是自动构建在许多不同任务上同时工作的系统。最好的数据建模方法将来自ImageNet模型的嵌入与离群值检测模型结合起来。在本文中，我们对这一工作方向进行了扩展，并提出了补丁核心，它使用了一个具有最大代表性的名义补丁特征的内存库。PatchCore提供了竞争性的推理时间，同时实现了最先进的检测和定位性能。在标准数据集MVTecADPatchCore上，实现了99.1%的图像级异常检测AUROC得分，与第二大竞争对手相比，误差减少了一半以上。我们进一步报告了在两个额外的数据集上的竞争结果，也在少数样本制度下发现了竞争结果。

（划痕）Mixed supervision for surface-defect detection: from weakly to fully supervised learning

code: ​​Embedding for Efficient Unsupervised Anomaly Segmentation

数据集

​​THE MVTEC ANOMALY DETECTION DATASET​​

参考资料

​​https://github.com/Charmve/Surface-Defect-Detection​​

版权声明：本文内容由网络用户投稿，版权归原作者所有，本站不拥有其著作权，亦不承担相应法律责任。如果您发现本站中有涉嫌抄袭或描述失实的内容，请联系我们jiasou666@gmail.com 处理，核实后本网站将在24小时内删除侵权内容。