[论文解读] Clear Memory-Augmented Auto-Encoder for Surface Defect Detection

Wei Luo, Tongzhi Niu+3 more|arXiv (Cornell University)|Aug 8, 2022

Industrial Vision Systems and Defect Detection被引用 4

一句话总结

该论文提出了一种清晰记忆增强自编码器（CMA-AE），用于表面缺陷检测，解决了工业异常检测中类别不平衡和重建难题。通过集成用于前景修复与背景清晰化的清晰记忆增强模块（CMAM）、用于生成逼真异常的通用人工异常生成算法（GAAGA），以及用于精确分割的多尺度特征残差检测方法（MSFR），CMA-AE在基准数据集上实现了最先进性能。

ABSTRACT

In surface defect detection, due to the extreme imbalance in the number of positive and negative samples, positive-samples-based anomaly detection methods have received more and more attention. Specifically, reconstruction-based methods are the most popular. However, existing methods are either difficult to repair abnormal foregrounds or reconstruct clear backgrounds. Therefore, we propose a clear memory-augmented auto-encoder (CMA-AE). At first, we propose a novel clear memory-augmented module (CMAM), which combines the encoding and memoryencoding in a way of forgetting and inputting, thereby repairing abnormal foregrounds and preserving clear backgrounds. Secondly, a general artificial anomaly generation algorithm (GAAGA) is proposed to simulate anomalies that are as realistic and feature-rich as possible. At last, we propose a novel multi scale feature residual detection method (MSFR) for defect segmentation, which makes the defect location more accurate. Extensive comparison experiments demonstrate that CMA-AE achieves state-of-the-art detection accuracy and shows great potential in industrial applications.

研究动机与目标

• 解决表面缺陷检测中正常样本远多于缺陷样本的极端类别不平衡问题。
• 克服现有自编码器方法在背景重建不清或前景异常修复不足方面的局限性。
• 设计一种记忆增强架构，在重建过程中保留清洁区域的同时纠正缺陷区域。
• 通过生成特征丰富、逼真的人工异常，提升模型的泛化能力和鲁棒性。
• 通过多尺度特征残差检测机制，提升缺陷定位的准确性。

提出的方法

• 提出清晰记忆增强模块（CMAM），通过遗忘与输入机制结合编码与记忆编码，实现对缺陷区域的重建，同时保持背景清晰。
• 提出通用人工异常生成算法（GAAGA），通过在潜在空间中操纵特征，合成逼真且多样的异常，以模拟真实世界中的缺陷模式。
• 设计多尺度特征残差（MSFR）检测头，通过跨多尺度聚合特征，提升缺陷定位的空间精度。
• 端到端训练自编码器，使用真实异常和人工生成异常的重建损失，以提升泛化能力。
• 利用记忆库存储并检索代表性特征，使模型能更有效地区分正常与异常模式。
• 采用双路径学习策略，使模型在学习重建清洁区域的同时，通过记忆引导注意力主动修复受损区域。

实验结果

研究问题

• RQ1 记忆增强自编码器架构是否能有效重建清晰背景，同时修复表面缺陷图像中的异常前景？
• RQ2 通用人工异常生成方法在多大程度上能提升训练数据中合成缺陷的多样性和真实性？
• RQ3 所提出的多尺度特征残差检测机制是否能提升缺陷分割的准确性和定位精度？
• RQ4 CMA-AE在基准数据集上的异常检测性能与最先进方法相比如何？
• RQ5 记忆增强学习与合成数据生成的结合是否能实现工业表面缺陷检测中的鲁棒泛化？

主要发现

• CMA-AE在多个公开表面缺陷检测基准上达到最先进性能，优于现有基于重建的方法。
• 所提出的CMAM模块通过视觉和定量分析验证，显著提升了重建质量，有效保持背景清晰并修复缺陷区域。
• GAAGA生成的合成异常高度逼真且多样化，显著提升了模型的泛化能力和鲁棒性。
• MSFR检测头提升了定位精度，减少了假阳性和缺陷分割边界的误差。
• 大量消融实验验证了各组件的有效性，完整CMA-AE模型在不同数据集和评估指标上均表现出一致的性能提升。
• 该模型在未见缺陷类型和工业场景中展现出强大的泛化能力，表明其在实际部署中具有强大潜力。