GAN-PD：用于生成织物缺陷的对抗生成网络，以实现精准检测

《Scientific Reports》：GAN-PD: generative adversarial networks for fabric defect generation towards precise detection

　　

摘要

纺织品表面的自动化检测面临的主要挑战在于真实缺陷样本的稀缺性及其几何结构的复杂性，尤其是那些对质量分级至关重要的细长、亚毫米级的划痕。现有的生成式方法通常更注重图像的真实性，从而忽略了现代系统进行可靠检测所需的几何连续性和上下文真实性。本文提出了“用于精确检测的织物缺陷生成生成对抗网络”（GAN-PD），这是一个以任务为导向的生成对抗框架，旨在合成具有高结构真实性和检测相关性的织物异常图像。GAN-PD的生成器采用了局部特征残差模块，能够自适应地将卷积资源集中在缺陷明显的区域；而判别器则利用柱状池化技术来确保缺陷轴线上的方向连续性。这种协同设计不仅保留了高频的织物纹理细节，还实现了毫米级的线性表现，并减少了各向同性卷积常见的碎片化伪影。在基准纺织品数据集上的实验结果表明，GAN-PD生成的线性缺陷更加清晰，纹理融合更加一致，并且与最先进的GAN相比，无论是单阶段还是双阶段检测器，其检测精度都有显著提升。这些结果验证了将研究重点从单纯的“缺陷生成”转变为“为缺陷检测而生成”的有效性。最终，这些发现表明，将缺陷合成的目的从仅仅追求视觉真实性转变为服务于下游应用，可以显著提高自动化纺织品检测系统的鲁棒性和准确性。