工业产品制造过程中时常存在各种缺陷,不仅影响产品质量,也给企业带来经济损失.传统人工检测低效且高成本,迫切需要建立自动化高效准确的缺陷检测系统.基于深度学习的现有方法多数专注于特定缺陷类型,缺乏通用性和灵活性,且需大量标注数据训练.为解决这一挑战,本文将视觉大模型SAM(Segment Anything Model)应用于工业材料表面缺陷检测任务,通过对图像编码器和掩码解码器进行微调,在电机磁瓦和钢轨两个缺陷数据集上进行实验评估,结果显示微调后的SAM模型取得了优异表现,最高平均交并比(mIoU)分别达到 0.512 和 0.655,验证了其在面对复杂多变缺陷时的出色泛化能力,尤其擅长检测微小缺陷,为工业场景下提供了一种通用高效的新型缺陷检测方案.
NETL
NSTL
万方数据
