TL-SDD：一种基于迁移学习的少样本表面缺陷检测方法
计算机视觉与模式识别
2021-08-17 v1 人工智能
摘要
表面缺陷检测在制造业中为保证产品质量发挥着日益重要的作用。许多深度学习方法已广泛应用于表面缺陷检测任务，并被证明在缺陷分类与定位方面表现良好。然而，基于深度学习的检测方法通常需要大量训练数据，由于缺陷类别的分布往往不平衡，难以应用于真实工业场景。换言之，常见缺陷类拥有大量样本而罕见缺陷类样本极少，这些方法难以很好地检测罕见缺陷类。为解决分布不平衡问题，本文提出 TL-SDD：一种新颖的基于迁移学习的表面缺陷检测方法。首先，我们采用两阶段训练方案，将知识从常见缺陷类迁移至罕见缺陷类。其次，我们提出一种新颖的基于度量的表面缺陷检测（M-SDD）模型。我们为该模型设计了三个模块：（1）特征提取模块：包含将高层语义信息与低层结构信息相结合的特征融合。（2）特征重加权模块：将样本转换为指示特征重要性的重加权向量。（3）距离度量模块：学习一个度量空间，通过计算到各类别表征的距离对缺陷进行分类。最后，我们在一个包含铝型材表面缺陷的真实数据集上验证了所提方法的性能。与基线方法相比，我们所提方法在罕见缺陷类上的性能提升了高达 11.98%。
引用
@article{arxiv.2108.06939,
title = {TL-SDD: A Transfer Learning-Based Method for Surface Defect Detection with Few Samples},
author = {Jiahui Cheng and Bin Guo and Jiaqi Liu and Sicong Liu and Guangzhi Wu and Yueqi Sun and Zhiwen Yu},
journal= {arXiv preprint arXiv:2108.06939},
year = {2021}
}