面向在线表面缺陷检测的无源测试时自适应

表面缺陷检测在工业生产中具有重要意义。然而，在测试时检测具有不同纹理和异常类别的缺陷具有挑战性，这源于源域与目标域之间数据分布的差异。从目标域收集和标注新数据并重新训练模型既耗时又昂贵。在本文中，我们提出了一种新颖的测试时自适应表面缺陷检测方法，可在推理过程中将预训练模型适配至新域和新类别。我们的方法包含两个核心思想。首先，我们引入一个监督器来筛选样本，仅选择高置信度样本以更新模型，确保模型不会因错误数据而产生过度偏差。其次，我们提出增强均值预测来生成鲁棒的伪标签，以及动态平衡损失来促进模型有效整合分类与分割结果，从而提升表面缺陷检测精度。我们的方法是实时的，不需要额外的离线重训练。实验结果表明该方法优于现有最先进的技术。