用于高效利用无标签钢板数据的师生框架

《Displays》:A teacher-student framework for efficient utilization of unlabeled steel plate data

【字体: 大 中 小 】 时间:2026年09月24日 来源:Displays 3.9

编辑推荐:

   •针对稀疏标注钢材缺陷检测的新型框架:解决了同一图像中标注与未标注缺陷共存的真实场景问题,这是传统半监督学习所忽视的挑战。•领域特定的伪标签挖掘:结合空间聚类、基于熵的滤波和渐进冻结,利用物理和制造知识提升伪标签质量。•高效且可部署的设计:基于MogaNet-XTiny构建,

  

•针对稀疏标注钢材缺陷检测的新型框架:解决了同一图像中标注与未标注缺陷共存的真实场景问题,这是传统半监督学习所忽视的挑战。•领域特定的伪标签挖掘:结合空间聚类、基于熵的滤波和渐进冻结,利用物理和制造知识提升伪标签质量。•高效且可部署的设计:基于MogaNet-XTiny构建,仅含300万参数,以低计算开销实现双网络训练,适用于工业应用。•使用极少标注实现最先进的性能:在14类缺陷上使用仅10%的标注数据即可达到接近全监督的精度。•有效缓解未标注干扰:引入焦点忽略损失,减少将未标注缺陷视为背景而产生的假阴性偏差。

引言

钢铁表面质量控制对制造业至关重要,因为即使是微小的缺陷——如针孔、微裂纹或涂层不一致——都可能导致昂贵的产品失效和安全风险[1],[2]。配备高分辨率线扫描相机的现代生产线每天生成大量表面图像,基于深度学习的目标检测器已成为自动化缺陷定位和分类的主要方法[3],[4],[5]。然而,这些检测器的实际部署严重受限于标注成本。标注钢材表面缺陷需要专业的冶金知识:标注人员必须将真正的缺陷与良性表面特征(如轧制氧化铁皮图案、润滑残留物或镀锌工艺引入的颜色变化)区分开来。在我们目标应用中涉及13类钢材表面缺陷——包括保护渣、划痕、辊印、小坑、压平痕迹、外来夹杂、水渍、油渍、露铁、剥落、污渍、虫斑和锌灰——由于类间视觉高度相似(例如水渍与油渍之间,或反射表面上锌灰与污渍之间),即使对于领域专家而言,准确标注也极具挑战性[6],[7],[8]。

加剧这一困难的是标注完整性问题。在实际操作中,标注人员倾向于标注视觉上最显著的缺陷,而忽略较细微或部分遮挡的缺陷。这导致了所谓的稀疏标注问题:每幅训练图像可能仅包含部分缺陷实例的标注,而非全部。这些未标注缺陷仍存在于图像中,在标准监督训练中被隐式地视为背景,从而构成系统性的标注噪声源,扰乱学习过程。这一现象在针孔和轻微划痕等小型缺陷中尤为普遍,这些缺陷在手动标注过程中容易被遗漏,但在工业上仍具有重要意义。

稀疏标注问题与传统的半监督学习设置存在根本差异,在后者中标注数据与未标注数据通常位于不同的图像池。在我们的场景中,标注与未标注对象在同一图像中共存:与已标注正样本具有相似视觉特征的未标注缺陷,在训练过程中被错误地当作负样本进行惩罚,导致特征判别能力下降和检测灵敏度降低。这一观察促使我们研究能够逐步发现并利用这些隐藏标注的框架,以无需穷尽标注工作即可逼近全监督性能。

为解决上述挑战,我们提出了一种专为稀疏标注钢材缺陷检测问题设计的教师-学生框架。我们的方法汲取了基于伪标签的半监督学习近期进展的灵感,特别是S2 Teacher[9]的逐步挖掘理念,但针对工业钢材表面检测的独特特性引入了重大改进。

在架构层面,我们采用MogaNet-XTiny[10]作为教师和学生网络的共享骨干网络。MogaNet的多阶门控聚合机制在局部纹理敏感性与更广泛的上下文感知之间提供了有效平衡——这对于处理钢材缺陷的极端尺度多样性至关重要,这些缺陷从亚毫米级小坑到跨越数百像素的长划痕不等。XTiny变体的轻量特性(约300万参数)确保了双网络教师-学生架构在工业部署中仍保持计算可行性。

核心方法学贡献在于我们的逐步伪标签挖掘机制,该机制由三个协同组件构成,针对工业缺陷特性进行了定制。首先,基于聚类的伪标签生成模块利用钢材制造缺陷固有的空间共现模式——源于同一生产故障的缺陷(如受污染的轧辊或不均匀的涂层施涂)往往以空间相关的聚类形式出现。通过将邻近的检测提议聚合为聚类并评估其整体置信度,我们实现了比传统单提议阈值法更稳健的伪标签生成,后者在复杂钢材表面纹理存在时尤其容易产生假阳性。

其次,基于信息熵的滤波机制为生成的伪标签提供了基于物理的质量检查。我们观察到,真正的缺陷区域表现出与背景纹理明显不同的特征像素强度分布——这一性质可通过信息熵进行量化。通过利用已标注样本对每个缺陷类别的熵分布进行建模,并拒绝熵统计超出预期范围的伪标签,我们有效地抑制了由镜面反射、表面粗糙度变化或其他非缺陷模式产生的假阳性。

第三,渐进式伪标签冻结策略实施了一种类似课程学习的安排,从简单到困难的缺陷挖掘逐步过渡。在多次训练迭代中一致生成的高置信度伪标签被逐步冻结为永久性训练目标。这种渐进式承诺具有双重目的:通过锚定可靠发现来稳定训练信号,并将教师模型的探索能力引导至最初因过于细微或模糊而难以检测的日益困难的缺陷实例。

为处理训练中未标注缺陷造成的干扰,我们进一步引入了一种基于焦点忽略损失概念的定制损失函数。该损失自适应地降低与已知正样本具有高特征相似性的图像区域的负分类惩罚,从而减少未标注缺陷被当作背景所生成的有害梯度信号。

本文的主要贡献总结如下:

1. 问题形式化:我们形式化了稀疏标注钢材缺陷检测问题,其中每幅训练图像同时包含已标注和未标注的缺陷实例——这一设置准确地反映了工业环境中现实的标注实践,但在缺陷检测文献中受到有限关注。

2. 领域适配框架:我们开发了一种教师-学生框架,将伪标签挖掘策略适配到钢材表面检测的具体挑战,包括利用制造引起的空间相关性的基于聚类的提议聚合、基于钢材缺陷物理纹理特性的基于熵的滤波,以及实施由易到难课程学习的渐进冻结。

3. 广泛的实验验证:通过在包含14类钢材表面缺陷的真实工业数据集上的综合实验,以及公共NEU-DET基准的跨数据集验证,我们证明了所提框架仅使用10%的标注数据即可实现接近全监督的检测性能,大幅超越现有半监督及稀疏标注检测方法,同时保持适用于在线工业部署的计算效率。

本文余下部分组织如下:第2节回顾了相关工作,涵盖钢材缺陷检测方法、半监督及稀疏标注目标检测以及MogaNet骨干网络架构。第3节详细介绍了所提教师-学生框架,描述整体架构、每个伪标签挖掘组件以及定制损失函数。第4节报告实验结果,包括不同标注比例下与最先进方法的比较、量化各组件贡献的消融研究、伪标签质量分析以及渐进挖掘过程的可视化。最后,第5节总结全文并指出未来研究方向。

基于深度学习的钢材表面缺陷检测

钢材表面缺陷检测的发展经历了几个不同阶段,每个阶段在检测能力和实际适用性方面均有所提升。早期的自动检测系统依赖手工特征描述子——如Gabor滤波器、局部二值模式(LBP)和方向梯度直方图(HOG)——并结合经典机器学习分类器,包括支持向量机(SVM)和随机森林[1]。虽然这些方法能够……

整体框架

我们的框架采用专为稀疏标注钢材缺陷检测场景设计的教师-学生架构,其中每幅训练图像仅包含实际存在的部分缺陷的标注。整体架构如图1所示。给定来自训练集的输入图像??,框架通过两个并行分支进行处理。教师分支接收弱增强版本????=?????(??),其中????表示弱增强……

实验

在本节中,我们全面评估了所提教师-学生框架在稀疏标注钢材缺陷检测中的性能。我们首先描述数据集、评估指标和实现细节。然后在多种标注比例下的相同设置下将所提方法与若干代表性基线进行比较。消融研究用于量化各模块组件的贡献。我们进一步分析伪标签质量以……

结论

本文解决了稀疏标注钢材表面缺陷检测问题,这是一个实际意义重大但尚未得到充分探索的场景,即训练图像仅包含实际存在的部分缺陷的标注。我们提出了一种教师-学生框架,通过针对工业钢材表面检测独特特性定制的三阶段伪标签挖掘流程,逐步发现并利用缺失标注。

基于聚类的……

利益冲突声明

作者声明不存在已知可能影响本文所报告工作的竞争性经济利益或个人关系。

马志强|彭铁根|何永辉
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