摘要

基于分割的两阶段神经网络在表面缺陷检测任务中已展现出优异性能，能够从相对较少的样本中进行有效学习。本文提出了一种端到端的两阶段网络训练方法，并引入多项训练过程改进，显著减少了训练时间，同时提升了表面缺陷检测的性能。为实现端到端训练，我们精心平衡了分割损失与分类损失在整个学习过程中的贡献权重。通过调节分类分支对分割网络的梯度传播，有效防止了不稳定特征对学习过程的干扰。作为训练过程的进一步扩展，我们提出了一种基于使用频率的负样本采样策略，以缓解训练过程中图像层面的过采样与欠采样问题；同时，我们在基于区域的分割掩码上应用距离变换算法，为正样本像素赋予权重，使网络更加关注缺陷更可能存在的区域，而无需依赖精细的标注信息。我们在三个典型缺陷检测数据集（DAGM、KolektorSDD 和 Severstal 钢铁缺陷数据集）上验证了所提端到端训练方案及各项扩展的有效性，均取得了当前最优（SOTA）的检测性能。在 DAGM 与 KolektorSDD 数据集上，我们实现了 100% 的检测率，表明已完全解决这两个数据集的检测任务。此外，针对三个数据集开展的消融实验定量分析了各项改进措施对整体性能提升的贡献，充分验证了各扩展模块的有效性。