Unsupervised industrial defect detection by integrating knowledge distillation and memory mechanism

目的基于深度学习的工业缺陷检测方法可以降低传统人工质检的成本， 提升检测的准确性与效率，因而在智能制造中扮演重要角色。针对无监督工业缺陷检测中存在的过检测和逻辑缺陷检测失效等问题，提出一种融合知识蒸馏与记忆机制的无监督工业缺陷检测模型。方法使用显著性检测网络和柏林噪声合成缺陷图像，提升合成图像与真实缺陷图像的分布一致性，缓解传统模型的过检测问题；同时，对传统无监督工业缺陷检测框架进行改进，引入平均记忆模块提取正常样本的原型特征，通过记忆引导提高模型对逻辑缺陷的检测性能。结果在工业缺陷检测基准数据集MVTec AD（MVTec anomaly detection dataset）上的实验结果表明，针对晶体管逻辑缺陷检测难题，在像素级接受者操作特征曲线下面积（area under the receiver operating characteristic curve， AUROC）指标上本文方法相比于基线模型提升了9.1%；针对各类缺陷检测场景，在更具挑战性的平均准确率（average precision， AP）指标上提升了2.5%。针对更具挑战性的Breakfast box数据集中的逻辑缺陷问题，本文方法在图像级AUROC指标上相较于基线模型提升了11.5%。同时，在像素级AUROC指标上，本文方法相较于基线模型提升了4.0%。结论本文不受传统缺陷合成方法的限制，能够有效缓解现有缺陷合成方法引起的过检测问题；引入平均记忆模块不仅可以减小内存开销，而且无需设计复杂的检索算法，节省了检索内存库所耗费的时间；将所提出的缺陷合成方法与记忆机制进行有机结合，能够准确检测出不同种类的工业缺陷。