基于自训练与渐进式知识蒸馏的轻量级腐蚀图像分类

《Coatings》:Lightweight Corrosion Image Classification via Self-Training and Progressive Knowledge Distillation

【字体: 大 中 小 】 时间:2026年08月27日 来源:Coatings 3.4

编辑推荐:

  自动腐蚀分类对工业检测至关重要。然而,现有方法面临严重的类别不平衡问题及边缘设备上的严格计算约束。本研究提出了一种面向六类别腐蚀分类的逐步自训练框架。利用视觉Transformer(Vision Transformer, ViT)与XGBoost分类器,本研究

  
自动腐蚀分类对工业检测至关重要。然而,现有方法面临严重的类别不平衡问题及边缘设备上的严格计算约束。本研究提出了一种面向六类别腐蚀分类的逐步自训练框架。利用视觉Transformer(Vision Transformer, ViT)与XGBoost分类器,本研究提出了一种类别感知的比例筛选策略,利用19,964张未标注图像扩增小型标注数据集,以构建更平衡的训练集。随后,本研究整合渐进式训练与知识蒸馏,训练轻量级MobileNetV2学生模型。最优微调模型达到了87.52%的峰值分类准确率,较基线MobileNetV2提升了超过5%。Grad-CAM(梯度加权类激活映射)分析证实了模型对腐蚀区域的准确关注,而基于掩码的微调展现了鲁棒性,在10%视觉干扰下仍保持超过83%的准确率。该方法在不牺牲准确率的前提下最小化计算开销,从而为资源受限设备上的实际监测提供了一种实用解决方案。
一、研究背景与问题

腐蚀是造成重大经济损失的普遍现象。据统计,腐蚀损失约占各国国内生产总值(GDP)的3%–4%,仅中国2015年的腐蚀成本即约21278亿元。视觉检测是简单高效的无损检测方法,但人工目视效率低下。深度学习与计算机视觉技术可辅助检测人员提升精度与效率,然而实际应用中存在两大难题:一是多类别腐蚀图像采集困难,自然腐蚀图像存在严重类别不平衡,标准半监督学习难以应对,生成对抗网络等生成式方法又可能遭遇模式崩溃;二是手持检测仪、无人机等边缘设备计算资源有限、延迟要求严格,难以加载大型深度模型,迁移学习无法改变模型尺寸,而固有小型模型能否胜任复杂多类别分类亦存疑。因此,如何在模型体积与分类精度之间取得平衡并解决数据不平衡问题,成为亟待解决的挑战。

二、研究内容与意义

针对上述问题,研究人员在《Coatings》期刊提出一种结合自训练、知识蒸馏与渐进式训练的逐步系统流程:以选自已有公开数据集的六类腐蚀小规模标注数据集为起点,通过自训练对19,964张未标注图像进行类别感知比例筛选,构建更均衡的中等规模数据集;再以知识蒸馏将EfficientNetV2-M教师模型的分类能力迁移至轻量级MobileNetV2学生模型,并集成渐进式训练策略以提升训练效率。该研究将上述技术首次整合用于腐蚀图像分类,
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号