摘要:针对纹理图像表面划痕?裂纹等缺陷不规则?随机分布,导致缺陷检测准确率低的问题,研究一种基于正负样本差异特征双径向融合的自监督缺陷检测方法?首先,采用Otsu阈值分割提取图像前景信息,并以DTD数据集中的纹理图像或数据增强后的正样本叠加Perlin噪声,对正样本图像进行缺陷模拟以合成负样本;然后,利用正负样本经编码器输出的中间特征,计算均方误差进行特征匹配,结合坐标注意力(Coordinate Attention, CA)和双径向路径聚合网络(Path Aggregation Network, PANet)加强匹配特征的信息融合;最后,将融合特征与编码器输出的低层和高层特征一同输入解码器,优化调整Focal?L1和Dice损失函数权重,实现对缺陷掩码更精准的预测?实验显示,所提模型在MVTec AD数据集纹理类别上的平均图像级?像素级AUROC分别达到了0.995?0.968,相较于其他缺陷检测模型,分类和分割准确率均有提升,表明所提方法在纹理缺陷检测方面的有效性?