2019

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

code: https://paperswithcode.com/paper/segmentation-based-deep-learning-approach-for

摘要： 利用机器学习进行自动表面异常检测已经成为一个有趣和有前途的研究领域，对视觉检查的应用领域有非常高和直接的影响。深度学习方法已经成为完成这项任务的最合适的方法。它们允许检查系统通过简单地显示一些范例图像来学习检测表面异常。本文提出了一种基于分割的深度学习架构，它被设计用于表面异常的检测和分割，并在表面裂纹检测的一个特定领域上进行了演示。该体系结构的设计使模型能够使用少量的样本进行训练，这是实际应用的一个重要要求。将该模型与现有的商业软件进行了比较，结果表明该方法在表面裂纹检测领域优于相关方法。大量的实验也阐明了注释所需的精度、所需的训练样本的数量和所需的计算成本。实验在一个新创建的数据集基于真实的质量控制案例，证明该方法能够学习少量的缺陷表面，只使用大约25-30缺陷训练样本，而不是成百成千上万，这通常是在学习应用程序。这使得深度学习方法在可用的缺陷样本数量有限的工业中实际使用。该数据集也被公开，以鼓励开发和评估表面缺陷检测的新方法。

ONLINE PCB DEFECT DETECTOR ON A NEW PCB DEFECT DATASET

code: https://github.com/tangsanli5201/DeepPCB

摘要： 以往基于图像差分和图像处理技术的PCB缺陷检测工作已经取得了很好的性能。然而，有时由于未解释的缺陷模式或对一些超参数过于敏感，它们会不足。在这项工作中，我们设计了一个深度模型，准确地检测PCB缺陷从一个输入对的无检测模板和一个有缺陷的测试图像。提出了一种新的群金字塔池模块，可以有效地提取大范围分辨率的特征，并进行分组合并，预测相应尺度的PCB缺陷。为了训练深度模型，我们建立了一个数据集，即DeepPCB，它包含1500对图像对，其中包含6种常见的PCB缺陷的位置。实验结果通过在DeepPCB数据集上实现98.6%的62mAP@62FPS，验证了该模型的有效性和有效性。

2020

PCB Defect Detection Using Denoising Convolutional Autoencoders

摘要： 印刷电路板(PCBs)是制造电子产品中最重要的阶段之一。多氯联苯中的一个小缺陷可能会导致最终产品中的重大缺陷。因此，检测多氯联苯中的所有缺陷并定位它们是至关重要的。本文提出了一种基于去噪卷积自编码器的检测缺陷多氯联苯和定位缺陷的方法。去噪自动编码器取一个损坏的图像，并试图恢复完整的图像。我们用有缺陷的多氯联苯来训练我们的模型，并迫使它修复有缺陷的部件。我们的模型不仅可以检测各种缺陷并定位它们，而且还可以修复它们。通过从输入端中减去修复后的输出，就可以找到有缺陷的部件。实验结果表明，与现有的作品相比，我们的模型检测缺陷多氯联苯具有较高的准确率（97.5%）。

2020

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

code: https://paperswithcode.com/paper/end-to-end-training-of-a-two-stage-neural

摘要： 基于分割的两阶段神经网络在表面缺陷检测方面显示出了良好的结果，使该网络能够从相对较少的样本中学习。在本工作中，我们引入了两阶段网络的端到端训练，并对训练过程进行了一些扩展，减少了训练时间，提高了表面缺陷检测任务的结果。为了实现端到端训练，我们在整个学习过程中仔细地平衡了分割和分类损失的贡献。为了防止不稳定特征，我们将梯度流从分类调整到分割网络，以破坏学习。作为一个额外的扩展学习，我们提出使用频率采样方案负样本解决的问题图像训练期间，当我们采用距离变换算法基于区域分割面具权重正像素，给更重要的地区存在缺陷的概率不需要详细的注释。我们演示了端到端训练方案和所提出的扩展在三个缺陷检测数据集上的性能——DAGM、DAGM和标准钢铁缺陷数据集，在那里我们展示了最先进的结果。在DAGM和KolektorSDD上，我们证明了100%的检出率，因此完全解决了数据集。在所有三个数据集上进行的额外消融研究定量地证明了对每个提议的扩展的总体结果改进的贡献。

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

code: https://github.com/marco-rudolph/differnet

摘要： 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: https://github.com/Scientific-Computing-Lab-NRCN/ChangeChip
摘要： 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。

论文的贡献：(i)在本文中，我们提出了一种两步级联放大网络(CZI-Net)，其中包括AHOG-Net和SIFT-Net。(ii)在AHOG-Net中提出了局部约束重构误差(LCRE)。(ii)在自助网络中提出了限制性局部约束编码(RLC)和指数包(BoI)方法。实验表明，BoI方法的性能优于BoF方法，视觉词指数在编码方法中起着重要作用。(iii)实验实现了基于真实世界的数据集，以评估所提出的CZI-Net，并实现了最先进的性能。

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

code : https://github.com/openvinotoolkit/anomalib/tree/feature/fastflow

摘要： 当收集和标记足够的异常数据是不可行的时，无监督异常检测和定位是实际应用的关键。现有的基于表示的方法大多采用深度卷积神经网络提取正态图像特征，并通过非参数分布估计方法来表征相应的分布。异常分数是通过测量测试图像的特征与估计的分布之间的距离来计算的。然而，目前的方法不能有效地将图像特征映射到可处理的基分布，并忽略了局部特征和全局特征之间的关系，这对识别异常很重要。为此，我们提出了用二维归一化流实现的快速流，并将其作为概率分布估计器。我们的快速流可以作为一个插件模块，具有任意的深度特征提取器，如ResNet和视觉变压器，用于无监督的异常检测和定位。在训练阶段，FastFlow学习将输入的视觉特征转换为可处理的分布，并获得在推理阶段识别异常的可能性。在MVTecAD数据集上的大量实验结果表明，FastFlow在各种主干网络的准确性和推理效率方面优于以往最先进的方法。该方法在异常检测中达到了99.4%的AUC，推理效率较高。

论文的贡献：

• 我们提出了一种二维归一化流，利用全卷积网络和二维损失函数，以有效地建模全局和局部分布。
• 我们为快速流设计了一个轻量级的网络结构，所有步骤都由大小卷积核交替堆叠。它采用了端到端推理阶段，且效率较高。
• 所提出的快速流模型可以作为一个具有各种不同特征提取器的插件模型。在MVTec异常检测数据集(Bergmannetal.2019)上的实验结果表明，我们的方法在准确性和推理效率方面都优于以往最先进的异常检测方法。
  

Towards Total Recall in Industrial Anomaly Detection

code: https://paperswithcode.com/paper/towards-total-recall-in-industrial-anomaly

摘要： 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: https://paperswithcode.com/paper/mixed-supervision-for-surface-defect

摘要： 深度学习方法最近开始被用于解决工业质量控制中的表面缺陷检测问题。但是，由于学习需要大量的数据，往往需要高精度的标签，许多工业问题难以解决，或者由于注释的要求，解决方案的成本会显著增加。在这项工作中，我们放宽了对完全监督的学习方法的沉重要求，并减少了对高度详细的注释的需要。通过提出一种深度学习架构，我们探索了在表面缺陷检测任务中使用不同细节的注释，从弱（图像级）标签到混合监督到完整（像素级）注释。所提出的端到端体系结构由两个子网络组成，产生缺陷分割和分类结果。该方法在几个工业质量检验数据集上进行了评价：DAGM、DAGM和标准钢缺陷。我们还提出了一个名为KolektorSDD2的新数据集，其中有超过3000张图像，其中包含几种类型的缺陷，这是在解决一个真实世界的工业问题时获得的。我们在所有四个数据集上演示了最先进的结果。在完全监督设置下，该方法优于所有相关方法，在只有图像立面标签可用时也优于弱监督方法。我们还表明，在弱标记的训练图像中添加少量完全注释样本的混合监督，可以产生与完全监督模型的性能相当的性能，但注释成本显著更低。

Semi-orthogonal Embedding for Efficient Unsupervised Anomaly Segmentation

code: https://paperswithcode.com/paper/semi-orthogonal-embedding-for-efficient
摘要： 我们提出了半正交嵌入对无监督异常分割的效率。来自预先训练好的cnn的多尺度特征最近被用于具有显著性能的局部马氏距离。然而，增加的特征尺寸扩展到更大的cnn是有问题的，因为它需要多维协方差张量的批逆。在此，我们将一种特别的方法，即随机特征选择，推广到半正交嵌入的鲁棒逼近中，三次地降低了多维协方差张量逆的计算代价。通过消融研究的深入，提出的方法为MVTecAD、KolektorSDD、KollktorSDD2和mSTC数据集取得了一种新的先进的技术。理论和实证分析为我们的直接而经济有效的方法提供了见解和验证。

数据集

THE MVTEC ANOMALY DETECTION DATASET

参考资料

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