摘要
近年来，深度学习方法开始被应用于工业质量控制中的表面缺陷检测问题。然而，由于这类方法通常需要大量数据进行训练，且往往依赖高精度的标注信息，导致许多工业场景下的问题难以有效解决，或因标注成本过高而使整体解决方案的经济性显著下降。针对这一挑战，本文放宽了对完全监督学习方法的严苛要求，显著降低了对精细标注数据的依赖。通过提出一种深度学习架构，我们系统探索了从弱标注（图像级标签）到混合监督，再到全标注（像素级标签）等多种标注粒度在表面缺陷检测任务中的应用效果。所提出的端到端网络架构由两个子网络组成，分别用于缺陷的分割与分类。我们在多个工业质量检测数据集上对该方法进行了评估，包括KolektorSDD、DAGM和Severstal Steel Defect。此外，为应对实际工业问题，我们还构建了一个新的数据集——KolektorSDD2，该数据集包含超过3000张图像，涵盖多种类型的缺陷。实验结果表明，所提方法在全部四个数据集上均取得了当前最优的性能表现。在完全监督设置下，该方法优于所有现有相关方法；而在仅提供图像级标签的弱监督场景中，其性能也超越了现有的弱监督方法。更重要的是，我们验证了混合监督策略的有效性：仅需在大量弱标注图像中加入少量完全标注样本，即可实现与完全监督模型相当的性能，同时大幅降低标注成本。这一成果为工业缺陷检测中高效、低成本的深度学习应用提供了切实可行的技术路径。