针对传统深度学习方法在色织物缺陷检测中受限于缺陷样本稀缺、背景复杂和小目标缺陷难以识别的问题,提出一种基于Swin Transformer和归一化流的无监督色织物缺陷检测与定位方法。首先,在训练阶段,仅利用无缺陷色织物图像构建训练集,并采用Swin Transformer提取多尺度特征。接着,利用归一化流建立概率密度估计模型,对正常样本特征进行分布建模,使模型能够学习正常织物特征的潜在空间表示。在推理阶段,将待测色织物图像的特征投影到已学习的特征分布,并计算其异常分数。最后,通过异常分数实现色织物缺陷区域的检测和定位。实验结果表明,该方法能够有效学习正常色织物的特征分布,在复杂背景下准确检测和定位多种织物的缺陷。在YDFID-1数据集上,该方法实现了98.4%的图像级AUROC和96.9%的像素级AUROC,显著优于现有无监督色织物缺陷检测方法。该方法无需缺陷样本和缺陷标注,仅依赖正常样本的特征分布即可进行缺陷判别,提高了检测的泛化能力和鲁棒性。
