9月12日，工业自动化领域著名期刊《IEEE Transactions on Automation Science and Enginering》（影响因子：6.636）在线刊发了我院余文勇副教授课题组在视觉智能检测领域的新成果，题为“A Feature Memory Rearrangement Network for Visual Inspection of Textured Surface Defects Toward Edge Intelligent Manufacturing”（面向边缘智能制造的纹理表面缺陷视觉检测的特征记忆重排网络）。我院18级本科生姚海明为第一作者，余文勇副教授为通讯作者和学业导师，清华大学精密仪器系王雪教授为共同作者。
面向产物形状多变、外观特征复杂、结构多层交织、表面曲度多样等质检环境，研究基于视觉的工业缺陷智能检测技术，实现强噪声、弱对比、背景多变等复杂条件下的表面缺陷检测，是现代工业产物质量控制的重要需求。但在实际的工业场景中，由于缺陷样本的稀缺性和缺陷类型的多变性，收集和标记足够的缺陷样本是不切实际的，从而限制了有监督的检测方法的性能，弱监督和无监督方法成为该领域的研究热点。
论文创造性设计了一种“自我修复式”的检测方法，仅通过少量正样本来学习正常特征，在检测时自动敲除异常特征，并用正常特征替换，从而重建出无缺陷图像，再通过像素级比对即可实现缺陷的精确定位。该方法通过一种无监督的特征记忆重排网络（贵惭搁-狈别迟）来实现，如图补所示。
图a 无监督的特征记忆重排网络（FMR-Net）
该网络使用编码模块来获取纹理表面的多尺度特征，并建立一种基于对比学习的记忆特征模块（颁惭贵惭），用于增强缺陷特征与正常特征的可分辨性，并在潜在空间中构建一个正常特征记忆库，使异常特征在推理时可被其敲除替换。进一步的设计一种全局特征重排模块（骋贵搁惭），在跳跃连接路径上抑制异常特征的重建。最终使用解码模块将修复后的特征重构为无缺陷的纹理背景。为了提升缺陷定位精度，该网络还结合一种多模式残差融合方法来抑制噪声。论文通过大量公开数据集和自有实验验证了方法的有效性，并通过多级检测方法测试了其在边缘制造场景中的实际部署，证明该方法具有业内先进的检测精度，在支持边缘计算的智能制造业中具有较大的应用前景。
同月，课题组在中国自动化领域罢1期刊《自动化学报》上发表了“基于轻量化重构网络的表面缺陷视觉检测”，亦是无监督工业缺陷智能检测方法的延续。姚海明同学作为共同作者，承担了算法的调试和实验数据的生成。
姚海明同学是我院18级测控专业本科生，大二期间就主动进入课题组参与科研工作，经受了严格的学术培训逐步成长起来，并与导师合作发表厂颁滨/贰滨论文四篇，是我校优秀本科生的代表。
上述研究工作得到了国家自然科学基金委（编号. 51775214）的支持。
论文链接：
学院微信公众号