自动化剪切图测量标注：实现弱监督缺陷检测
计算机视觉与模式识别
2026-04-24 v2
摘要
剪切图测量是一种灵敏于表面位移梯度的干涉技术，能够检测安全关键部件中的 subsurface 缺陷。其主要限制在于缺乏高质量标注数据集，因为手动标注仍然代价高昂、主观且难以标准化。我们提出了自动化标注管道，通过 Grounded DINO 生成候选缺陷边界框，再使用 SAM mask 进行细化，最终导出 YOLO 格式标签用于下游检测器训练。定量评估表明，生成的边界框适用于弱监督学习，而高分辨率 mask 提供了定性可视化。该方法减少了人工工作量，支持可扩展的数据集创建，以实现稳健的工业缺陷检测。
引用
@article{arxiv.2512.06171,
title = {Automated Annotation of Shearographic Measurements Enabling Weakly Supervised Defect Detection},
author = {Jessica Plassmann and Nicolas Schuler and Michael Schuth and Georg von Freymann},
journal= {arXiv preprint arXiv:2512.06171},
year = {2026}
}
备注
13 pages, 3 figures