摘要
随着深度学习在目标检测领域的快速发展，有监督的缺陷检测任务得到大量应用和发展。工业缺陷检测不同于自然场景检测，往往工业生产制造所产生的缺陷数据收集和标注是十分困难的，小样本情况下严重阻碍缺陷检测系统的开发。 针对小样本缺陷检测问题，本文通过对小样本学习方法的研究，在热轧带钢缺陷检测算法上主要进行以下几个方面的研究和改进： （1）研究深度学习相关的缺陷检测算法，对常见的特征提取网络进行介绍，分析不同的缺陷检测算法的优缺点，分析了不同的小样本学习方法，基于数据增强、基于度量学习和基于元学习的方法。将小样本学习方法与两阶段缺陷检测方法相结合，设计针对小样本热轧带钢表面缺陷检测的模型。 （2）提出基于DCGAN和Faster-RCNN的小样本热轧带钢表面缺陷检测模型，该模型针对小样本缺陷检测问题提供了解决方法。首先，本文提出基于改进DCGAN的数据增强方法，通过引进残差网络提高模型生成样本的质量。其次，针对缺陷检测算法对缺陷目标检测能力不足的问题，提出基于特征金字塔和注意力机制的Faster-RCNN网络，从多尺度融合和通道空间的关注，提高全监督下的模型检测精度。引入CIoU损失优化模型的回归损失函数，使生成框更接近真实框。最后，引入微调技术，采用少量真实的热轧带钢表面缺陷数据，微调改进的Faster-RCNN网络最后一部分的分类和回归检测器，提高网络模型的泛化能力，提高测试集的检测精度。 （3）提出基于注意力机制的小样本热轧带钢表面缺陷检测算法，减少数据收集或者数据增强消耗的时间，将训练数据拆分成支持集和查询集，使用支持集和查询集组成的任务组来训练网络，首先整体网络架构采用FSOD模型，在此基础上，对于特征提取网络进行注意力机制优化，通过BCAM注意力机制将背景和不相关前景特征进行抑制。然后，将支持特征和查询特征通过CISA-RPN网络，准确生成查询特征的目标候选区域。最后，通过多关系检测器和基于余弦Softmax的分类器，先对候选区域筛选后再进行缺陷的分类和定位。 在热轧带钢表面缺陷数据集上实验结果表明，采用改进DCGAN和改进Faster-RCNN网络的小样本检测结果mAP50值为82.9，采用改进的FSOD检测结果比原始FSOD模型在新类上的AP值提高5.9个百分点，针对数据稀缺情况，本文所提到的检测模型的缺陷检测性能较好，为小样本缺陷检测提供有效的解决方法。
NETL