基于小样本学习的表面缺陷检测方法

来源：信息与控制杂志2025年第3期北京时间：

作者：苏奕铭, 贺睿杰, 刘雅静, 田建东

摘要：针对智能化工业生产中，基于深度学习的缺陷检测技术受限于缺陷样本不足、缺陷区域尺寸不一和检测精度较低的问题，提出一种基于小样本学习的表面缺陷检测模型。该模型基于Faster R-CNN (Faster Region-based Convolutional Neural Network)框架，首先将ResNet101和FPN (Feature Pyramid Network)主干网络中传统卷积改进为可变形卷积提取特征；然后在图像中提取目标生成目标金字塔，选取相应的特征作为正样本，丰富了小样本中的尺度空间；最后通过对比学习方法编码RoI (Region of Interest)特征，测量区域提议之间的相似性，获取更加紧凑的特征表示，避免小样本下的错误分类问题；在所采集的小样本缺陷数据集上进行对比实验，取得了96.6%的准确率和70.6%的平均精度，优于其他模型。

关键词：小样本学习, 表面缺陷检测, 可变形卷积, 目标金字塔, 对比学习