具有统计保证的工业表面缺陷检测中的保形分割

在工业环境中，钢材表面的缺陷会显著缩短其使用寿命并增加潜在的安全风险。传统的缺陷检测方法主要依赖人工检查，存在效率低和成本高的问题。尽管基于卷积神经网络（如 Mask R-CNN）的自动缺陷检测方法发展迅速，但由于深度模型训练过程中的数据标注不确定性及过拟合问题，其可靠性仍面临挑战。这些局限性在处理给定的新测试样本时可能导致检测偏差，使自动检测过程不可靠。为应对这一挑战，我们首先通过与测试数据满足独立同分布（i.i.d）条件的校准数据来评估检测模型的实际性能。具体而言，我们为每个校准样本定义一个损失函数以量化检测错误率，例如召回率的补集与错误发现率。随后，我们基于用户定义的风险水平推导出一个统计上严密的阈值，用于识别测试图像中的高概率缺陷像素，从而构建预测集（如缺陷区域）。该方法确保测试集上的预期错误率（平均错误率）被严格限制在预定义的风险水平之内。此外，我们观察到测试集上的平均预测集大小与风险水平之间存在负相关关系，从而为评估检测模型的不确定性建立了统计上严密的度量标准。进一步地，我们的研究表明，在不同的校准-测试划分比例下，该方法对预期测试集错误率均实现了稳健且高效的控制，验证了其适应性与实际有效性。