基于大型工业数据集上异常引导预训练推进金属表面缺陷检测
计算机视觉与模式识别
2026-05-27 v2
摘要
预训练-微调范式是金属表面缺陷检测中缓解数据稀缺挑战的关键策略。然而，其实现面临着一个关键的困境。在 ImageNet 等自然图像数据集上进行预训练面临显著的域差距。同时，由于现有的学习目标无法将微妙的缺陷模式与复杂的背景噪声和纹理区分开来，对域内工业数据进行朴素的自监督预训练通常效果不佳。为了解决这一问题，我们引入了异常引导自监督预训练（AGSSP），这是一种通过异常先验显式指导表示学习的新颖范式。AGSSP 采用两阶段框架：（1）首先通过从异常图中蒸馏知识来预训练模型的骨干网络，鼓励网络捕获缺陷显著特征；（2）然后使用从这些异常图导出的伪缺陷框预训练检测器，使其与定位任务对齐。为了实现这一点，我们开发了一种知识增强方法来生成高质量的异常图，并收集了一个包含 120,000 张图像的大规模工业数据集。此外，我们提出了两个小规模的、像素级标注的金属表面缺陷数据集用于验证。大量实验表明，AGSSP 在各种设置下均能持续提升性能，与基于 ImageNet 的模型相比，在 [email protected] 上实现了高达 10% 的提升，在 [email protected]:0.95 上实现了 11.4% 的提升。所有代码、预训练模型和数据集均公开于 https://clovermini.github.io/AGSSP-Dev/。
引用
@article{arxiv.2509.18919,
title = {Advancing Metallic Surface Defect Detection via Anomaly-Guided Pretraining on a Large Industrial Dataset},
author = {Chuni Liu and Hongjie Li and Jiaqi Du and Yangyang Hou and Qian Sun and Lei Jin and Ke Xu},
journal= {arXiv preprint arXiv:2509.18919},
year = {2026}
}
备注
Accepted for publication in Pattern Recognition