自监督HC-ViT缺陷检测网络

无标注数据即训即用

结合卷积与视觉Transformer的自监督学习网络，利用海量正常样本提升缺陷检测精度，大幅减少人工标注需求。

Zhang, Ke · Ruiheng, Zhou · Wang, Jiacun · Yangjie, Xiao · Xiwang, Guo · Shi, Chaojun

IEEE Transactions on Systems, Man, and Cybernetics: Systems 2024

技术优势

减少人工标注

自监督学习方法从大量无标注正常图像中提取有用特征，无需人工标注即可增强缺陷检测性能。

提升检测精度

骨干网络融合了卷积和视觉Transformer的优点，能够更好地处理复杂巡检环境下的图像。

应用场景

• 输电线路巡检：自动识别输电线路关键部件的缺陷，替代人工逐张查看巡检图像。
• 无人机图像分析：处理无人机拍摄的复杂背景图像，提升缺陷检测的鲁棒性。
• 视觉缺陷检测：在样本不平衡情况下仍能准确检测罕见缺陷。