面向工业缺陷检测的自动神经网络架构设计
计算机视觉与模式识别
2025-11-27 v2 人工智能
摘要
工业表面缺陷检测（SDD）对于确保产品质量和制造可靠性至关重要。由于表面缺陷的形状和尺寸各不相同，SDD 面临两个主要挑战：类内差异和类间相似性。现有方法主要利用人工设计的模型，需要大量试错，往往难以有效解决这两个挑战。为此，我们提出 AutoNAD，这是一个用于 SDD 的自动神经网络架构设计框架，能够同时搜索卷积、Transformer 和多层感知器的组合。这种混合设计使模型能够捕获细粒度的局部变化和长程语义上下文，从而在降低人工网络设计成本的同时解决这两个关键挑战。为支持此类多样化搜索空间的高效训练，AutoNAD 引入了跨权重共享策略，加快超网收敛速度并提高子网性能。此外，集成可搜索的多级特征聚合模块（MFAM）以增强多尺度特征学习。除检测精度外，运行时效率也是工业部署的关键。为此，AutoNAD 包含一种延迟感知先验，用于引导高效架构的选择。我们在三个工业缺陷数据集上验证了 AutoNAD 的有效性，并将其应用于缺陷成像与检测平台。代码已公开于 https://github.com/Yuxi104/AutoNAD。
引用
@article{arxiv.2510.06669,
title = {Automated Neural Architecture Design for Industrial Defect Detection},
author = {Yuxi Liu and Yunfeng Ma and Yi Tang and Min Liu and Shuai Jiang and Yaonan Wang},
journal= {arXiv preprint arXiv:2510.06669},
year = {2025}
}