SteelBlastQC：喷丸处理钢材表面数据集与可解释缺陷检测
计算机视觉与模式识别
2025-04-30 v1 神经与进化计算
摘要
自动化喷丸处理钢材表面质量控制对于提高制造效率和一致性至关重要。本研究提出了包含1654张标注RGB图像（512x512）的数据集，图像类别为"准备上漆"或"需要喷丸处理"。数据集捕获了真实世界的表面缺陷，包括褪色、焊缝、划痕和腐蚀，非常适合训练计算机视觉模型。此外，评估了三种分类方法：紧凑型卷积变换器（CCT）、基于ResNet-50特征提取的支持向量机（SVM）以及卷积自编码器（CAE）。监督方法（CCT和SVM）在测试集上实现了95%的分类准确率，其中CCT利用变换器注意力机制，SVM提供了计算效率更高的替代方案。CAE方法虽然效果较差，但为无监督质量控制奠定了基线。我们展示了所有三个神经网络的可解释决策，允许行业用户直观定位问题区域并理解模型的依据。通过发布数据集和基线代码，本工作旨在支持缺陷检测的进一步研究，推动可解释计算机视觉模型在质量控制中的发展，并鼓励工业应用中自动化检查系统的采纳。
引用
@article{arxiv.2504.20510,
title = {SteelBlastQC: Shot-blasted Steel Surface Dataset with Interpretable Detection of Surface Defects},
author = {Irina Ruzavina and Lisa Sophie Theis and Jesse Lemeer and Rutger de Groen and Leo Ebeling and Andrej Hulak and Jouaria Ali and Guangzhi Tang and Rico Mockel},
journal= {arXiv preprint arXiv:2504.20510},
year = {2025}
}
备注
Accepted by IJCNN 2025