基于改进深度度量学习算法的表面缺陷检测

王 伟，余厚云

(1.南京航空航天大学机电学院，江苏 南京 210016； 2.南京航空航天大学无锡研究院，江苏 无锡 214187)

0 引 言

产品质量检测是工业生产中必不可少的一环，而大部分缺陷集中在产品表面，因此表面缺陷检测对于保证产品质量而言至关重要。近年来，很多国内外企业开始将基于机器视觉的表面缺陷检测系统引入到生产线上，替代人工进行产品表面质量检测。

对于结构和类型复杂的缺陷，常规图像识别方法的准确率很低，这时就需要通过神经网络等深度学习算法来检测缺陷。然而，传统的神经网络算法需要借助大量标注样本来对网络进行训练，无法适用于小批量、多品种的产品。因此，针对少量标注样本的小样本学习[1-2](few-shot learning)算法研究显得尤为迫切。

Aytar等[3]早在2011年就提出了基于迁移学习(transfer learning)的小样本学习方法，该方法认为相似任务之间的学习是有相同规律可循的，并且学习第n个任务比第一个任务要更为简单[4]。Koch等[5]于2015年提出了针对字符识别的深度卷积孪生网络(Siamese Network)，此算法训练一个孪生网络对样本进行相似性判定；Finn等[6]于2017年提出了一种与模型无关的元学习算法(Model-Agnostic Meta-Learning, MAML)，能够使用少量的迭代步骤将模型迁移到新的任务上。此外，针对小样本学习的研究还有对偶学习[7](Dual Learning)、贝叶斯学习[8](Bayes Learning)等方法。

但是，缺陷检测任务有其自身的特点：无缺陷样本的特征相似，而有缺陷样本的缺陷种类较多，即便是同一种缺陷类型，其缺陷特征尺寸、形状也不尽相同。由于样本数量少，有缺陷样本的特征无法覆盖各种缺陷类型，导致在应用上述小样本学习算法时的检测准确率偏低。……