基于跨尺度边缘保持特征与密度采样策略的轻量化活塞杆异常检测方法

《IEEE Access》：CPD-PatchCore: Anomaly Detection on Piston Rod Surfaces Using Cross-Scale Feature Pyramids and Density Sampling

　　工业异常检测在计算机视觉中发挥着至关重要的作用。然而，在活塞杆等金属表面进行缺陷检测时，需要权衡缺陷定位精度与模型部署复杂度之间的关系。在活塞杆的线扫描样本中，卷积神经网络中的连续下采样会模糊空间细节，降低亚毫米级缺陷的边缘质量。同时，均匀的背景纹理导致特征存储出现冗余。为了在定位精度与内存效率之间取得平衡，我们提出了一种结合跨尺度特征与密度采样的无监督异常检测框架。具体而言，我们引入了一种跨尺度边缘保持特征金字塔，将浅层网络中的边缘特征与深层网络中的语义特征进行对齐和融合，从而减少缺陷区域的空间细节损失。此外，密度核心集采样策略通过评估局部密度来过滤均匀冗余特征，在保留正常特征分布的同时重建空间均匀的特征集。在自定义的活塞杆缺陷数据集上的实验结果表明了所提方法的有效性。在内存优化方面，该方法将内存库大小减少了90%，同时将推理速度提高了30.38%，满足了工业边缘设备在定位和轻量化运行方面的部署要求。