基于多尺度原型残差特征融合的连接器缺陷检测

缺陷检测是工业生产中的重要一环，高效的缺陷检测方法能极大地提高工业流水线的生产效率。近年来，基于机器视觉的检测技术在降本增效方面取得了巨大进展，且能够进行全自动式检测，适用于各类检测场景。在工业连接器缺陷检测任务中，鉴于实际缺陷的外观变化可能很大，即缺陷区域可以有各种大小、形状和数量，针对这些问题本文提出了一种可用于工业连接器缺陷检测的基于多尺度原型残差特征融合的深度神经网络。具体来说，本文基于经典分割网络UNet进行改进，将不同尺度的特征和它们对应的原型残差特征融合，并使用自注意力机制来强化特征。同时，为了缓解实际检测环境中存在的正常样本和缺陷样本的数量不平衡问题，本文通过在正常样本上放置缺陷来扩充缺陷样本。实验表明，本文方法相比于基线方法表现出了更好的缺陷分割检测性能。

现代工业系统的飞速发展使得用户对产品性能的要求越来愈高，而对于生产方而言如何在提高产品性能的同时严格控制产品质量是需要重点关注的问题。然而，产品表面的划痕、斑点或孔洞等缺陷不仅会损害产品的美观性和使用舒适性，还可能对其性能产生不良影响。缺陷检测是减少产品缺陷不利影响的有效方法，传统的人工目检方法依赖于人工的专业性，可能存在因各种意外情况例如视觉疲劳等所带来的误检，同时传统检测手段的采样率较低、实时性也较差，难以适应现代工业的大规模生产要求[1]。

近年来，基于视觉传感器的机器视觉检测技术逐渐替代人工目检在实际生产中大量使用，这是一种非接触、无损的检测方法， 通过光学设备和传感器自动接收和处理真实物体图像。

在采集到物体图像后， 使用一些传统的图像处理算法或神经网络模型对图像是否存在缺陷进行分类及对缺陷位置进行定位。机器视觉检测技术几乎是完全自动化的，可以大幅提高检测效率，同时保证了高度的实时性和准确性，减少人力成本，特别是对于一些大规模重复工业生产过程[2]。

相较于基于图像处理和统计学习的传统缺陷检测方法，基于深度神经网络的检测算法能够处理更为复杂和多样的工业图像，例如对于那些背景复杂，缺陷微小的样本，传统方法几乎无法成功检测和定位缺陷，而基于深度神经网络的方法则展现出卓越的性能优势，能够成功识别此类缺陷[3] [4] [5]。

Augustauskas 等人基于U-Net 网络使用空间金字塔池化和“瀑布”型连接来提取更好的缺陷特征[6]。李原等人修改了原始U-Net 网络的编码模块， 在残差块之间构建稠密连接从而增强浅层特征的深度延展[7]。

Roth 等人利用核心集思想构建由正常样本特征块组成的特征库，通过比较输入样本特征块和特征库中特征块的相似度来分类和定位缺陷[4]。郑明明等人针对于不规则的缺陷区域，利用可变形卷积的优秀形变建模能力提取特征，并利用双分支注意力来优化特征[8]。尽管基于深度学习的缺陷检测方法已取得令人瞩目的进展，但它们对于那些实际检测场景中所出现的多变缺陷的检测能力仍然不足，这些缺陷可能是