应小伟，周 乐

(浙江科技学院 a.机械与能源工程学院,b.自动化与电气工程学院，浙江 杭州310023)

深度学习因具有强大的特征提取能力被广泛的运用于缺陷检测领域。其中，自编码器(Autoencoder, AE)已被用作无监督模型的深度特征提取，特别是用于缺陷检测。张宏伟等[1]提出一种多尺度卷积自编码器模型，实现了对色织衬衫面料缺陷自动检测与定位。景军锋等[2]提出了一种基于Fisher准则的栈式降噪自编码器算法，能够有效提高织物疵点的检测率。Tian等[3]提出了一种基于自编码器的织物疵点检测方法，通过对原始编码的潜变量进行修改，引入跨patch相似性来确定修改函数。唐善成等[4]利用深度卷积变分自编码器实现了电阻表面缺陷的检测。李珍珍[5]基于自编码采用残差编码解码网络完成图像重构，实现了对产品表面缺陷进行无监督检测。

传统的自编码器通常是全连接的。这意味着输入数据的每个维度与所有隐层特征相连，每个隐层特征与重构的每个维度相连，导致模型无法有效地分离缺陷、背景和噪声信息。虽然AE已经有了各种改进，比如稀疏自编码器[6]、降噪自编码器[7]、堆栈降噪自编码器[8]等，但都无法有效提取深层缺陷信息。

多视图学习作为机器学习的一个分支，因其处理高维数据不会引起过拟合而受到欢迎[9-10]。Jia等[11]将多视图学习的所有视图(输入数据)映射到一个公共空间和几个私有空间。在多视图学习方法中，基于子空间学习的方法旨在获取比输入视图维度更低的隐层空间，从而学习有效信息，消除视图中的冗余信息。……