基于样本的多任务学习用于工业表面缺陷检测与分割
计算机视觉与模式识别
2025-10-16 v1 机器学习
摘要
工业表面缺陷检查要求对给定样本是否含有缺陷进行判定，并对缺陷进行空间定位。在实际生产线上，前景-背景极端不平衡、缺陷稀疏且呈长尾尺寸分布、对比度较低等问题普遍存在。因此，基于像素的训练与评估容易被大面积均匀区域主导，导致模型难以关注小型或低对比度缺陷——这一问题是部署的主要瓶颈之一。经验上，现有模型在像素重叠指标（如mIoU）上表现良好，但在样本层面稳定性不足，尤其是针对稀疏或细长缺陷。其根本原因在于优化目标与质检决策粒度之间存在不匹配。为解决此问题，本文提出一种基于样本的多任务学习框架与评估套件。该框架基于共享编码器结构，联合学习样本级缺陷分类和像素级掩码定位。样本级监督调制特征分布，并在梯度层面持续提升小型和低对比度缺陷的召回率；分割分支保留边界和形状细节，以增强单样本决策稳定性并减少漏检。在评估方面，本文提出与决策关联的指标Seg_mIoU和Seg_Recall，消除经典mIoU因空样本或真负样本引起的偏差，并紧密将定位质量与样本级决策耦合。在两个基准数据集上的实验表明，我们的方法显著提升了样本级决策的可靠性和缺陷定位的完整性。
引用
@article{arxiv.2510.13226,
title = {Sample-Centric Multi-Task Learning for Detection and Segmentation of Industrial Surface Defects},
author = {Hang-Cheng Dong and Yibo Jiao and Fupeng Wei and Guodong Liu and Dong Ye and Bingguo Liu},
journal= {arXiv preprint arXiv:2510.13226},
year = {2025}
}