面向自动化视觉检测：一种面向工业应用的弱监督学习目标检测方法

工业视觉检测是现代工业设备维护与质量检验中的关键环节。随着深度学习技术的快速发展，面向智能工业应用的先进工业目标检测方法不断涌现。然而，深度学习方法通常对数据量要求较高，而数据的采集与标注过程往往耗费大量人力与时间。在工业场景中，由于设备多样性及数据隐私限制，获取公开可用的数据集尤为困难。为此，本文探索了工业视觉检测的自动化方法，提出一种基于分割-聚合（segmentation-aggregation）的框架，旨在利用弱标注的视觉数据训练目标检测模型。该方法仅需图像级别的类别标签，无需边界框标注，极大降低了标注成本。所提方法在自采集的绝缘子图像数据集及公开的PASCAL VOC基准数据集上进行了实现与评估，实验结果表明，所构建模型在检测精度方面表现优异，能够有效应用于工业场景，实现低标注成本下的自动化视觉检测。