DSR -- A dual subspace re-projection network for surface anomaly detection
University of Ljubljana, Faculty of Computer and Information Science(卢布尔雅那大学计算机与信息科学学院)
判别式无监督表面异常检测的最新技术依赖于外部数据集来合成异常增强的训练图像。这种方法在近分布异常上容易失败,因为这些异常由于它们与无异常区域的相似性而难以现实地合成。我们提出了一个架构的基础上量化的特征空间表示与双解码器,DSR,避免了图像级异常合成的要求。在不对异常的视觉属性进行任何假设的情况下,DSR通过对学习的量化特征空间进行采样来生成特征级别的异常,这允许受控地生成接近分布的异常。DSR在KSDD 2和MVTec异常检测数据集上实现了最先进的结果。在具有挑战性的真实世界KSDD 2数据集上的实验表明,DSR显著优于其他无监督的表面异常检测方法,在异常检测方面提高了10%的AP,在异常定位方面提高了35%的AP。
2022-11-23 cs.CV
ARTPS: Depth-Enhanced Hybrid Anomaly Detection and Learnable Curiosity Score for Autonomous Rover Target Prioritization
本研究提出ARTPS自主巡视器目标优先级系统,融合单目深度估计、多组件异常检测与加权好奇心评分,在火星数据集上实现SOTA性能,显著降误报并提升排序准确率。
2025-08-23 cs.AI cs.CV
Domain-Generalized Textured Surface Anomaly Detection
National Taiwan University(台湾大学);Inventec Corporation(英业达股份有限公司)
异常检测旨在识别偏离正常数据的异常数据,同时通常需要足够量的正常数据来训练模型以执行该任务。尽管最近的异常检测方法的成功,在一个看不见的域执行异常检测仍然是一个具有挑战性的任务。在本文中,我们解决的任务域广义纹理表面异常检测。通过观察多个源域的正常和异常表面数据,我们的模型预计将被推广到一个看不见的感兴趣的纹理表面,其中只有少量的正常数据可以在测试过程中观察到。虽然在训练数据中只观察到图像级标签,但我们的基于块的元学习模型具有很好的泛化能力:它不仅可以泛化到看不见的图像域,而且还可以定位查询图像中的异常区域。我们的实验验证了我们的模型在各种环境中对最先进的异常检测和领域泛化方法表现良好。
2022-03-23 cs.CV
Distance-Based Anomaly Detection for Industrial Surfaces Using Triplet Networks
Western University(韦仕敦大学);National Research Council Canada(加拿大国家研究委员会)
表面异常检测在许多制造业中起着重要的质量控制作用,以减少废料的产生。近年来,基于机器的目视检查已被用来执行这项任务,而不是人类专家。特别是,深度学习卷积神经网络(CNN)由于其预测精度和效率而处于这些基于图像处理的解决方案的最前沿。在分类目标上训练CNN需要足够大量的缺陷数据,而这些数据通常是不可用的。在本文中,我们通过使用基于距离的异常检测目标在表面纹理补丁上训练CNN来解决这一挑战。利用基于深度残差的三元组网络模型,并且通过随机擦除技术专门从非缺陷样本合成缺陷训练样本,以直接学习同类样本和类外样本之间的相似性度量。评估结果表明,该方法的强度在检测不同类型的异常,如弯曲,断裂,或破裂的表面,为已知的表面的一部分,训练数据和看不见的新的表面。
2020-11-10 cs.AI cs.CV cs.LG
Cheating Depth: Enhancing 3D Surface Anomaly Detection via Depth Simulation
Faculty of Computer and Information Science, University of Ljubljana(卢布尔雅那大学计算机与信息科学学院)
本文提出DADA架构与深度模拟流程,并构建3DSR方法,联合建模RGB与3D信息,在MVTec3D基准上以更高精度和速度实现3D表面异常检测。
2023-11-02 cs.CV
Image Matching Using SIFT, SURF, BRIEF and ORB: Performance Comparison for Distorted Images
Faculty of Engineering and Applied Sciences, Memorial University(纽芬兰纪念大学工程与应用科学学院)
快速、鲁棒的图像匹配在计算机视觉和机器人技术中有着广泛的应用。在本文中,我们比较了三种不同的图像匹配技术的性能,即,SIFT、SURF和ORB,以抵抗不同类型的变换和变形,如缩放、旋转、噪波、鱼眼失真和剪切。为了这个目的,我们手动应用不同类型的原始图像上的变换和计算匹配的评价参数,如图像中的关键点的数量,匹配率,和每个算法所需的执行时间,我们将表明,该算法是最好的更强大的对每种失真。索引项-图像匹配,尺度不变特征变换(SIFT),加速鲁棒特征(SURF),鲁棒独立基本特征(BRIEF),定向FAST,旋转(ORB)。
2017-10-07 cs.CV
Efficient Non-Compression Auto-Encoder for Driving Noise-based Road Surface Anomaly Detection
SK Planet Co., Ltd.(SK Planet株式会社)
潮湿的天气使水膜覆盖在路面上,这层膜降低了轮胎和路面之间的摩擦力。当车辆通过低摩擦路面时,事故发生频率可能比正常路面高出35%。为了防止上述事故,实时识别道路状况是必不可少的。因此,我们提出了一种基于卷积自动编码器的异常检测模型,以减少计算资源并实现更高的异常检测性能。该模型采用非压缩方法,而不是传统的瓶颈结构的自动编码器。因此,神经网络的计算成本降低到1比25相比,传统的模型和异常检测性能提高了高达7.72%。因此,我们得出结论,提出的模型作为一个前沿的实时异常检测算法。
2022-02-04 cs.CV eess.IV
Self-Supervised Masked Mesh Learning for Unsupervised Anomaly Detection on 3D Cortical Surfaces
Tubingen Center for Mental Health(蒂宾根心理健康中心);Donders Institute, Radboud University(拉德堡德大学唐德斯研究所);University of Jena(耶拿大学)
本文提出自监督掩蔽网格学习框架,利用皮层表面几何结构训练MMN网络,通过重建误差检测阿尔茨海默病相关皮层异常,在UKB和HCP-Aging训练并在ADNI和OASIS3验证有效。
2025-03-30 cs.CV eess.IV
3D-CSAD: Untrained 3D Anomaly Detection for Complex Manufacturing Surfaces
The Hong Kong University of Science and Technology (Guangzhou)(香港科技大学(广州));The Hong Kong University of Science and Technology(香港科技大学);Guangzhou HKUST Fok Ying Tung Research Institute(广州香港科技大学霍英东研究院)
针对复杂制造零件3D异常检测缺训练样本、表面复杂的难题,提出无训练的3D-CSAD方法,通过轮廓分割与RPCA实现单样本准确检测,性能优于基准方法。
2024-04-11 cs.CV cs.LG
Noise Reduction and Driving Event Extraction Method for Performance Improvement on Driving Noise-based Surface Anomaly Detection
SK Planet Co., Ltd.(SK电讯旗下SK Planet有限公司)
路面上的异物,如雨水或黑冰,会降低轮胎与路面之间的摩擦力。上述情况将降低制动性能并且使得难以控制车身姿态。在这种情况下,至少有可能造成财产损失。在最坏的情况下,会造成人身伤害。为了避免这一问题,提出了一种基于车辆行驶噪声的道路异常检测模型。然而,现有的建议没有考虑与驾驶噪声混合的额外噪声,并且跳过了没有车辆驾驶的时刻的计算。在本文中,我们提出了一个简单的驾驶事件提取方法和降噪方法,以提高计算效率和异常检测性能。
2021-12-14 cs.CV cs.SD eess.AS
Diamond Abrasive Electroplated Surface Anomaly Detection using Convolutional Neural Networks for Industrial Quality Inspection
电镀金刚石磨料工具需要在金属表面上涂覆镍以用于磨料结合和部件功能。通过使镍涂层厚度为磨料中值直径的50%至60%、镍层的均匀性、电镀表面上的磨料分布以及明亮的光泽度,期望电镀镍涂层磨料工具具有高质量的部件性能。为此目的,相应地设定电镀参数。由于金刚石的光折射、色散性质和反射性明亮的镍表面,使用光学检测仪器对这些磨料电镀零件的缺陷进行工业质量检测极具挑战性。这一挑战所带来的困难需要用主观且昂贵的放大镜手动检查零件的质量。在这项研究中,我们在生产线上使用卷积神经网络(CNN)模型来检测磨料电镀零件异常,使我们能够修复或消除生产链中处于不良状态的零件或元件,并最终降低人工质量检测成本。我们使用了744个样本来训练我们的模型。我们的模型成功识别了99%以上的异常部件。关键词:人工智能,异常检测,工业质量检测,电镀,金刚石磨具
2022-12-11 cs.CV cs.LG
PA-CLIP: Enhancing Zero-Shot Anomaly Detection through Pseudo-Anomaly Awareness
Fudan University(复旦大学);National University of Singapore(新加坡国立大学);Shanghai Ocean University(上海海洋大学)
PA-CLIP提出一种基于伪异常的零样本异常检测方法,通过多尺度特征聚合、双记忆库和决策模块减少背景噪声与误报,在MVTec AD和VisA数据集上优于现有零样本方法。
2025-03-03 cs.CV
Applying Surface Normal Information in Drivable Area and Road Anomaly Detection for Ground Mobile Robots
Hong Kong University of Science and Technology(香港科技大学);University of California, San Diego(加利福尼亚大学圣迭戈分校)
可行驶区域和道路异常的联合检测是地面移动机器人的一项重要任务。近年来,许多令人印象深刻的语义分割网络,可用于像素级的可行驶区域和道路异常检测,已经开发出来。然而,检测精度仍然需要改进。因此,我们开发了一个新的模块命名为法线推理模块(NIM),它可以生成表面法线信息,从密集的深度图像具有高精度和效率。我们的NIM可以部署在现有的卷积神经网络(CNN)中,以改善分割性能。为了评估NIM的有效性和鲁棒性,我们将其嵌入到12个最先进的CNN中。实验结果表明,我们的NIM可以大大提高性能的可行驶区域和道路异常检测的CNN。此外,我们提出的NIM-RTFNet在KITTI道路基准测试中排名第8,并表现出实时推理速度。
2020-08-26 cs.CV cs.RO
Sequential PatchCore: Anomaly Detection for Surface Inspection using Synthetic Impurities
Fraunhofer ITWM(弗劳恩霍夫信息技术与微系统研究所);RPTU Kaiserslautern-Landau(凯撒斯劳滕-兰道莱茵-普法尔茨理工大学)
针对表面检测中的水渍等杂质与高分辨率训练内存瓶颈,提出合成水渍数据生成方法和 Sequential PatchCore 顺序核心集训练框架,验证合成预训练与真实数据微调的性能收益。
2025-01-16 cs.CV cs.GR cs.LG
Anomaly Detection using Deep Learning based Image Completion
Polymer Competence Center Leoben GmbH(莱奥本聚合物能力中心有限公司)
自动化表面检测是许多制造业中的重要任务,并且通常需要机器学习驱动的解决方案。然而,监督方法可能具有挑战性,因为通常难以获得大量标记的训练数据。在这项工作中,我们通过训练深度卷积神经网络来完成中心区域被切除的图像,从而对无故障样本进行单类无监督学习。由于网络只在无故障数据上进行训练,因此它用缺失图像区域的无故障版本完成图像补丁。切出区域内的逐像素重建误差是可以用于异常检测的异常图像。对装饰塑料件表面图像的检测结果表明,该方法适用于可见异常的检测,而且优于所有其他测试方法。
2018-11-16 cs.CV
How Low Can You Go? Surfacing Prototypical In-Distribution Samples for Unsupervised Anomaly Detection
Technical University of Munich(慕尼黑工业大学)
针对无监督异常检测依赖大规模训练数据的假设,本文提出无监督识别典型分布内样本的方法,仅用25个样本即可在多个基准中匹敌甚至超过全量训练。
2024-10-28 cs.CV
Semi-Supervised Surface Anomaly Detection of Composite Wind Turbine Blades From Drone Imagery
Durham University(杜伦大学)
在商业风能发电中,风力涡轮机叶片的现场监测和预测性维护是一项至关重要的任务,为此,通过无人驾驶航空器(UAV)的空中勘测进行远程监测是常见的。涡轮机叶片随着时间的推移容易受到操作和天气的损坏,从而降低涡轮机的能量效率输出。在这项研究中,我们解决了自动化,否则耗时的任务,叶片检测和提取,连同故障检测内无人机捕获的涡轮叶片检查图像。我们提出了BladeNet,一个基于应用程序的,强大的双重架构,执行无监督的涡轮叶片检测和提取,然后使用简单线性迭代聚类(SLIC)方法产生区域聚类的超像素生成。然后,这些聚类由一套半监督检测方法处理。我们的双架构检测玻璃纤维复合材料叶片的表面缺陷,具有很高的适应性,同时需要最少的事先手动图像注释。BladeNet在我们的海上风力涡轮机叶片检测数据集上的平均精度(AP)为0.995,在丹麦技术大学(DTU)NordTank涡轮机叶片检测数据集上的平均精度(AP)为0.223。BladeNet还获得了0.639的AUC,用于跨Rosted叶片检测数据集的表面异常检测。
2021-12-01 cs.CV eess.IV
Anomaly detection in satellite imagery through temporal inpainting
Disaster Prevention Research Institute, Kyoto University(京都大学灾害预防研究所);Geolabe
本研究提出了一种基于时间修复的深度学习方法,通过卫星时间序列的冗余性检测地表变化,实现了更高的灵敏度和特异性。
2025-12-30 cs.CV physics.geo-ph
Layer-Wise Anomaly Detection in Directed Energy Deposition using High-Fidelity Fringe Projection Profilometry
Department of Mechanical Engineering, Northwestern University(西北大学机械工程系)
本文提出了一种基于条纹投影的高精度方法,用于逐层检测定向能量沉积过程中的表面异常,实现了微米级的重建精度和自动化的缺陷识别。
2026-01-12 cs.CV physics.optics
AnoNet: Weakly Supervised Anomaly Detection in Textured Surfaces
University of Waterloo(滑铁卢大学)
人类可以很容易地检测到缺陷(异常),因为与其所在的表面相比,它是不同的或突出的。今天,人工视觉检查仍然是常态,因为很难自动检测异常。神经网络是一个有用的工具,可以教机器找到缺陷。然而,它们需要大量的训练样本来学习什么是缺陷,并且获得这些样本是繁琐和昂贵的。我们用一个我们称之为AnoNet的系统来解决训练样本数量较少的网络的问题。AnoNet的架构类似于CompactCNN,不同之处在于:(1)它是一个完全卷积的网络,不使用步幅卷积;(2)它是浅而紧凑的,通过设计最大限度地减少了过拟合;(3)紧凑的设计限制了中间特征的大小,允许在不缩小图像的情况下进行训练;(4)模型占用空间低,适合边缘计算;以及(5)尽管标记较弱,但是可以检测和定位异常。AnoNet学习检测异常的潜在形状,尽管注释较弱,并保留异常的空间定位。使用工程滤波器组初始化技术预播种AnoNet减少了训练所需的总样本,并实现了最先进的性能。与CompactCNN相比,AnoNet将网络参数从113万减少到6.4万,减少了94%。在四个数据集上进行了实验,并将结果与CompactCNN和DeepLabv3进行了比较。AnoNet将所有数据集的平均性能提高了106%,F1得分为0.98,AUROC值为0.942,提高了13%。AnoNet可以从有限数量的图像中学习。对于其中一个数据集,AnoNet只通过了53张训练图像就学会了检…
2019-11-24 cs.CV cs.LG stat.ML
siftservice.com - Turning a Computer Vision algorithm into a World Wide Web Service
Department of Computer Science, University of Wisconsin -Milwaukee, WI, USA IEEE Member, Uppsala, Sweden
图像特征的检测和描述是计算机视觉和模式识别领域的一个长期研究课题。尺度不变特征变换(SIFT)可能是最流行和最广泛需求的特征描述符,其促进了各种计算机视觉应用,诸如图像配准、目标跟踪、图像伪造检测和3D表面重建。这项工作介绍了基于软件即服务(SaaS)的SIFT算法的实现,该算法可在http://siftservice.com上免费获得,用于任何学术,教育和研究目的。该服务提供应用程序到应用程序的交互,旨在为世界各地的计算机视觉学生和研究人员提供快速应用程序开发(RAD)和快速原型设计。互联网连接是他们所需要的一切!
2015-04-11 cs.CV
Multimodal Industrial Anomaly Detection via Geometric Prior
Faculty of Data Science, City University of Macau(澳门城市大学数据科学学院);Key Laboratory of Computing Power Network and Information Security, Ministry of Education, Shandong Computer Science Center (National Supercomputer Center in Jinan), Qilu University of Technology (Shandong Academy of Sciences)(教育部计算功率网络与信息安全重点实验室,山东计算机科学中心(济南国家超算中心),齐鲁工业大学(山东省科学院));Shandong Provincial Key Laboratory of Computing Power Internet and Service Computing, Shandong Fundamental Research Center for Computer Science(山东省计算功率互联网与服务计算重点实验室,山东省计算机科学基础研究中心)
本文提出基于几何先验的异常检测网络GPAD,通过点云专家模型提取细粒度几何特征,并结合两阶段融合策略和几何先验实现高效多模态数据融合,提升几何缺陷检测精度。
2026-03-24 cs.CV
Frequency of Interest-based Noise Attenuation Method to Improve Anomaly Detection Performance
SK Planet Co., Ltd.(SK Planet株式会社)
在基于轮胎摩擦鼻的异常检测任务中,准确地提取驾驶事件是最大化计算效率和异常检测性能的方法。这项研究提出了一种简洁和非常有用的方法,用于提高事件提取的精度,这是由额外的噪声,如风噪声,这是很难清楚地表征,由于其随机性。该方法的核心是基于识别与感兴趣的频率相对应的道路摩擦声,并使用多个频率滤波器去除相反的特征。我们的方法使驾驶事件提取的精度最大化,同时提高异常检测性能的平均8.506%。因此,我们得出结论,我们的方法是一个实用的解决方案,适合在室外边缘计算环境中的路面异常检测的目的。
2022-12-02 cs.CV cs.LG cs.SD
Online-Adaptive Anomaly Detection for Defect Identification in Aircraft Assembly
German Research Center for Artificial Intelligence GmbH (DFKI)(德国人工智能研究中心);University of Bremen(不来梅大学)
针对飞机装配缺陷识别场景,提出基于迁移学习的在线自适应异常检测框架,通过筛选相似训练样本、在线拟合EfficientNet特征的正态性模型并计算马氏距离检测异常,准确率超0.975,优于ET-NET。
2024-06-18 cs.AI cs.CV cs.RO
Evaluation of Feature Detector-Descriptor for Real Object Matching under Various Conditions of Ilumination and Affine Transformation
Yudistira Pictures;Universitas Brawijaya(布拉维贾亚大学)
本研究试图提供一些最流行的和当前的组合的描述和描述符框架,即SIFT,SURF,MSER,和BRISK的关键点提取器和SIFT,SURF,BRISK,和FREAK的描述符的解释,描述和评价。根据关键点的匹配数量和各种图像变化中的可重复性进行评估。它被用作主要参数,以评估算法的组合在匹配具有不同变化的对象时的效果如何。有许多论文描述了在各种条件下比较检测和描述特征来检测图像中的对象,但是与它们相关联的算法的组合还没有太多讨论。问题域被限制到不同的照明水平和仿射变换从不同的角度。为了评估算法的所有组合的鲁棒性,我们使用立体图像匹配的情况下。
2018-05-02 cs.CV
Long-term Visual Localization using Semantically Segmented Images
Chalmers University of Technology(查尔姆斯理工大学);Zenuity(Zenuity(泽努蒂))
鲁棒跨季节定位是自动驾驶车辆长期视觉导航的主要挑战之一。在本文中,我们利用最近的进展,语义分割的图像,即,其中每个像素被分配与其表示的对象的类型相关的标签,以解决长期视觉定位的问题。我们表明,语义标记的3-D点地图的环境,连同语义分割的图像,可以有效地用于车辆定位,而不需要详细的特征描述符(SIFT,SURF等)。因此,我们依赖于图像分割器的训练,而不是依赖于手工制作的特征描述符。与传统的基于描述符的映射相比,所得到的映射占用的存储空间少得多。一个基于粒子滤波器的语义定位解决方案相比,一个基于SIFT功能,即使有很大的季节性变化,在一年中,我们的表现与更大的和更具描述性的SIFT功能,并能够本地化的错误低于1米的大部分时间。
2018-03-02 cs.CV
2D Image Features Detector And Descriptor Selection Expert System
Tecnalia Research and Innovation(泰克纳利亚研究与创新中心);University of the Basque Country UPV/EHU(巴斯克大学(UPV/EHU))
从图像中检测和描述关键点是计算机视觉中的一个研究热点。一些方法,如SIFT,SURF或ORB,在计算上非常有效。本文针对一个具体的工业零件目标识别问题,提出了一种基于层次分类的解决方案。减少实例的数量会带来更好的性能,事实上,这就是使用分层分类所寻求的。我们证明,这种方法比只使用一种方法,如ORB,SIFT或FREAK,尽管相当慢。
2020-06-04 cs.CV
Image-based localization using LSTMs for structured feature correlation
Technical University of Munich(慕尼黑工业大学);ETH Zürich(苏黎世联邦理工学院);NavVis
在这项工作中,我们提出了一种新的CNN+LSTM架构,用于室内和室外场景的相机姿态回归。CNN使我们能够学习合适的特征表示,用于对运动模糊和照明变化具有鲁棒性的定位。我们在CNN输出上使用LSTM单元,它在特征向量上起到结构化降维的作用,从而大大提高了定位性能。我们对基于CNN和基于SIFT的定位方法进行了广泛的定量比较,显示了各自的优缺点。此外,我们提出了一个新的大规模的室内数据集与准确的地面真相从激光扫描仪。在室内和室外公共数据集上的实验结果表明,我们的方法优于现有的深度架构,并且可以在硬条件下定位图像,例如,在大多数无纹理表面的存在下,经典的基于SIFT的方法失败了。
2017-08-20 cs.CV
Analysis of feature detector and descriptor combinations with a localization experiment for various performance metrics
Istanbul Technical University(伊斯坦布尔理工大学)
本文通过移动机器人室内实验,比较不同特征检测器与描述符组合在图像匹配中的性能,分析不同组合在精度、时间、角度差等五项指标下的表现。
2017-10-17 cs.CV cs.SY eess.SY
Non-Compression Auto-Encoder for Detecting Road Surface Abnormality via Vehicle Driving Noise
SK Planet Co., Ltd.(SK Planet有限公司)
道路湿滑会降低路面的抗滑能力,从而引发交通事故。为了预防道路交通事故的发生,对路面异常进行检测具有重要意义。在本文中,我们提出了基于深度学习的具有成本效益的实时异常检测架构,命名为非压缩自动编码器(NCAE)。所提出的架构可以通过卷积运算来反映时间序列信息的前向和后向因果关系。此外,通过实验,上述架构显示出比已发表的异常检测模型更高的异常检测性能。我们得出的结论是,NCAE作为一个先进的模型,路面异常检测与4.20%的AUROC和2.99倍的速度比以前的决策。
2022-02-18 cs.CV
CSE: Surface Anomaly Detection with Contrastively Selected Embedding
University of technology Troyes(特鲁瓦技术大学);AQUILAE(阿奎莱公司)
本文提出 CSE,通过结合人工缺陷与无异常样本的对比训练选择目标特定嵌入,实现工业表面异常的有效检测,并在 MVTEC AD 与 TILDA 上验证其竞争力。
2024-03-04 cs.CV
Advancing Metallic Surface Defect Detection via Anomaly-Guided Pretraining on a Large Industrial Dataset
Collaborative Innovation Center of Steel Technology, University of Science and Technology Beijing(钢铁技术协同创新中心,北京科技大学)
提出异常引导自监督预训练(AGSSP)方法,通过两阶段框架利用异常先验引导表示学习,在金属表面缺陷检测中显著提升性能,mAP@0.5提升高达10%。
2026-05-26 cs.CV
Deep Learning Meets Satellite Images -- An Evaluation on Handcrafted and Learning-based Features for Multi-date Satellite Stereo Images
The Ohio State University(俄亥俄州立大学);Bruno Kessler Foundation (FBK)(布鲁诺·凯塞勒基金会);University of Trento(特伦托大学);Kuwait University(科威特大学)
本文在约500对多时相卫星立体影像上评估SIFT与七种深度学习匹配方法,发现传统方法仍具竞争力,而学习型方法在特定场景下表现突出。
2024-09-04 cs.CV
MIAD: A Maintenance Inspection Dataset for Unsupervised Anomaly Detection
SenseTime Research(商汤科技研究院);JD.com Inc Qing Yuan Research Institute(京东集团清源研究院);Shanghai Jiao Tong University(上海交通大学)
视觉异常检测不仅在制造过程中发现产品缺陷的制造检测中起着至关重要的作用,而且在维护检测中也起着至关重要的作用,以保持设备处于最佳工作状态,特别是在户外。由于缺陷样本的稀缺性,近年来,无监督异常检测引起了人们的极大关注。然而,现有的无监督异常检测数据集偏向于制造检测,而没有考虑通常在户外不受控环境下进行的维护检测,例如相机视角变化,杂乱的背景和长期工作后物体表面的退化。我们专注于户外维护检测,并贡献了一个全面的维护检测异常检测(MIAD)数据集,其中包含各种户外工业场景中超过100K的高分辨率彩色图像。该数据集由3D图形软件生成,涵盖表面和逻辑异常,具有像素精确的地面实况。对典型的无监督异常检测算法进行了广泛的评估,我们希望MIAD和相应的实验结果可以启发户外无监督异常检测任务的研究社区。值得和相关的未来工作可以从我们的新数据集中产生。
2022-11-28 cs.CV
ALMRR: Anomaly Localization Mamba on Industrial Textured Surface with Feature Reconstruction and Refinement
Institute of Automation, Chinese Academy of Sciences(中国科学院自动化研究所);School of Artificial Intelligence, University of Chinese Academy of Sciences(中国科学院大学人工智能学院);Space Information Research Institute, Hangzhou Dianzi University(杭州电子科技大学空间信息研究院);Faculty of Engineering and Information Technology, University of Technology Sydney(悉尼科技大学工程与信息技术学院)
针对工业纹理图像无监督异常定位中图像重建过度泛化与特征重建误差大的问题,提出基于 Mamba 的特征重建与优化方法 ALMRR,通过引入人工模拟异常并修复合成缺陷特征,在多个数据集上优于 SOTA 方法。
2024-07-25 cs.CV
On The Relationship between Visual Anomaly-free and Anomalous Representations
TCS Research(塔塔咨询服务研究中心)
该研究针对表面异常检测样本稀缺、现有大规规模源域与目标域相关性差的问题,提出并验证无异常视觉模式空间与各类异常模式空间高度相关的假设,为迁移学习及少样本、域自适应异常检测提供新方向。
2024-10-09 cs.CV
3D-ADAM: A Dataset for 3D Anomaly Detection in Additive Manufacturing
School of Computing Science, University of Glasgow(计算机科学学院,格拉斯哥大学);HAL Robotics Ltd.(HAL机器人有限公司)
本文提出首个面向增材制造的大规模RGB+3D表面缺陷检测数据集3D-ADAM,包含14,120次扫描和27,346个缺陷标注,并通过基准测试验证其工业相关性与挑战性。
2025-09-23 cs.CV
A Deep-Learning Method Using Auto-encoder and Generative Adversarial Network for Anomaly Detection on Ancient Stone Stele Surfaces
Northwest University(西北大学);KTH Royal Institute of Technology(KTH皇家理工学院)
本文提出一种基于自编码器与生成对抗网络的无监督深度学习方法,用于实时检测古代石碑表面异常,在龙门石窟案例中重建精度达99.74%,可检测七种人工异常且无误报。
2023-08-08 cs.CV cs.LG eess.IV