摘要
工业生产中，工业品表面的缺陷图像检测对确保生产流程安全高效的运行有着重要意义。目前在工业场景的目标检测任务中，广泛应用的深度学习算法需要大量的标注数据支持，大量的人力、时间成本以及人为导致的标注偏差严重限制了深度学习在工业缺陷检测中的应用；同时工业生产中，可利用样本稀缺，且正负样本严重不均衡，深度学习检测算法难以达到高精度工业生产需求。 本文提出了一种基于弱监督学习的工业品表面缺陷图像检测算法，只需要图像级别的标注，即可实现对缺陷的精确分类与定位，克服了神经网络对数据集标注的依赖。同时在不均衡小样本的情况下，实现高精度检测能力。 本文首先对经典目标缺陷检测算法进行分析，实验结果表明相对于传统机器视觉算法，全监督算法具有精度高、泛化能力强，但全监督算法存在对标签依赖性强的缺点；弱监督算法精度与全监督算法相当，但标注成本更低，更适合工业品表面缺陷检测任务。 本文针对工业缺陷检测领域现有弱监督算法定位不准的问题，首次提出了基于全梯度热图的弱监督缺陷检测方法，通过对网络可解释性分析补充了热图偏置信息，大幅提升了对缺陷的定位精度。针对缺陷检测任务中的样本不均衡问题，提出了样本补充训练法，使分类器重点关注缺陷部分的特征，有效提升了弱监督学习的召回率。 最后，在多个公开的工业品表面缺陷数据集上验证本文提出的方法的有效性，在缺陷定位精度上相较于其他弱监督方法提升11.7%；在缺陷分类结果上，在样本数量较少的情况下，本文方法大大超过现有其他检测方法。在误报率相当时，本文方法的召回率较其他弱监督和全监督方法提升11.8%和12.7%。
NETL