提升工业图像检查中形状感知与分割一致性
计算机视觉与模式识别
2025-05-22 v1 人工智能
摘要
语义分割是计算机视觉中的关键研究焦点。在工业图像检查场景中，传统语义分割模型因缺乏对对象轮廓的感知，在不同上下文环境下难以维持固定组件的分割一致性。鉴于工业图像检测机器的实时约束和计算能力有限，亟需构建高效模型以降低计算复杂度。本文提出一种面向形状的高效网络（SPENet），通过单独监督图像中边界与主体信息的提取，聚焦对象形状，实现卓越的分割一致性。SPENet 中引入一种新方法，用于描述模糊边界，以更好适应现实场景，称为可变边界域（VBD）。此外，本文提出一种新指标——一致性均方误差（CMSE），用于衡量固定组件的分割一致性。我们的方法在自构建数据集上实现了最佳分割精度和具竞争力的速度，展示了在 CMSE 指标上相较于众多最先进实时分割网络具有显著优势，较先前领先模型实现了 50% 以上的降低。
引用
@article{arxiv.2505.14718,
title = {Enhancing Shape Perception and Segmentation Consistency for Industrial Image Inspection},
author = {Guoxuan Mao and Ting Cao and Ziyang Li and Yuan Dong},
journal= {arXiv preprint arXiv:2505.14718},
year = {2025}
}