摘要
工业图像检测中的缺陷检测面临严重的类别不平衡问题，这极大地影响了检测性能。本文聚焦于解决工业质检场景下由缺陷检测引发的多重不平衡挑战，包括缺陷与非缺陷样本数量差异显著、不同缺陷类别间分布不均，以及缺陷尺寸多样等问题。为此，我们采用异常检测方法，通过识别异常模式来应对上述难题。其中，基于生成对抗网络（GAN）和自编码器的方法在该领域已展现出显著有效性。本文主要贡献如下：1）提出一种新型基于GAN的异常检测模型，该模型以自编码器作为生成器，并配备两个独立的判别器，分别用于正常样本和异常样本的判别；2）为进一步优化模型性能，我们设计了两种新型损失函数——局部块损失（Patch Loss）与异常对抗损失（Anomaly Adversarial Loss），并将其有机结合，实现联合训练。在实验部分，我们在经典的基准数据集（如MNIST、Fashion MNIST、CIFAR-10/100）以及真实工业数据集——智能手机外壳缺陷数据集上对所提方法进行了评估。实验结果表明，该方法在平均受试者工作特征曲线下面积（AUROC）指标上显著优于当前主流的先进方法，充分验证了所提模型的有效性与优越性。