仪器仪表学报

作者：苑玮琦，刘文滔，李绍丽

单位：苑玮琦,沈阳工业大学信息科学与工程学院沈阳110870,yuan60@126.com,刘文滔,沈阳工业大学信息科学与工程学院沈阳110870,972151125@qq.com,李绍丽,沈阳工业大学信息科学与工程学院沈阳110870,

关键词：带钢表面缺陷检测;样本筛选;特征表征;形态学特征;深度学习

基金：辽宁省教育厅高等学校基本科研面上项目（LJ212410142048）资助

带钢表面缺陷检测是保证钢铁产品质量的关键环节，实现高效准确的缺陷检测对保障产品性能具有重要意义。近年来，深度学习方法在缺陷检测领域进展显著，但在实际应用中仍面临两个问题：一方面，由于工业生产追求高良品率，导致缺陷样本获取受限，且样本标注耗时费力；另一方面，采集的样本中可能存在冗余特征，影响模型训练效率和泛化性能。针对特征冗余问题，提出一种基于特征表征与学习反馈机制的动态样本筛选方法。首先构建包含几何形态、灰度分布及方向特征等多维特征量化模型，系统表征缺陷特征。随后，设计基于特征表征的样本筛选策略，结合特征聚类快速筛选少量具有多样性和代表性的训练样本。最后，设计基于置信度评估的动态优化策略，通过模型的学习反馈获取关键补充样本，提升特征覆盖范围，实现训练样本的自适应优化。NEU-DET数据集的实验结果表明，该方法在将训练样本数量减少52%的情况下，平均检测精度达到76.99%，与完整数据集基本持平。同时，每轮训练迭代时间减少62%，降低了计算开销，验证了方法在样本筛选与检测性能之间的有效平衡。此外，在多种主流目标检测模型上的验证结果表明，该方法在不同检测架构下均能有效提升效率并保持性能，展现出良好的适用性。

来源：2025年第4期

《仪器仪表学报》期刊编辑部

查看仪器仪表学报杂志2025年第4期