面向表面缺陷检测的混合监督：从弱监督到全监督学习

深度学习方法近来已开始被用于解决工业质量控制中的表面缺陷检测问题。然而，由于学习需要大量数据，且往往要求高精度标注，许多工业问题难以轻易解决，或因标注需求而导致解决方案成本大幅上升。在本工作中，我们放宽了全监督学习方法的严苛要求，降低了对高度精细标注的需求。通过提出一种深度学习架构，我们探索了在表面缺陷检测任务上使用从弱（图像级）标注经混合监督到全（像素级）标注的不同精细程度标注。所提出的端到端架构由两个子网络组成，分别产生缺陷分割与分类结果。所提方法在多个工业质量检测数据集上进行了评估：KolektorSDD、DAGM 和 Severstal Steel Defect。我们还提出了一个称为 KolektorSDD2 的新数据集，包含 3000 多张图像，涵盖多种缺陷类型，是在解决一个真实工业问题时获取的。我们在全部四个数据集上展示了当前最优（state-of-the-art）结果。所提方法在全监督设定下优于所有相关方法，并且在仅有图像级标注可用时也优于弱监督方法。我们还表明，在弱标注训练图像中仅加入少量全标注样本的混合监督，可取得与全监督模型相当的性能，但标注成本显著降低。