TLU - Net：一种用于钢材表面缺陷自动检测的深度学习方法

摘要： 钢铁表面缺陷检测是钢铁板制造过程中的一个关键步骤。近年来，已经研究了许多基于机器学习的自动化视觉检测 (AVI) 方法。然而，由于 AVI 方法的训练时间和准确性问题，大多数钢铁制造行业仍然使用人工视觉检测。自动钢铁缺陷检测方法可以用于更经济、更快速的质量控制和反馈。但是，为分割和分类准备带注释的训练数据可能是一个昂贵的过程。在这项工作中，我们提出使用基于迁移学习的 U-Net (TLU-Net) 框架进行钢铁表面缺陷检测。我们使用 U-Net 架构作为基础，并探索了两种编码器：ResNet 和 DenseNet。我们使用随机初始化和使用 ImageNet 数据集训练的预训练网络来比较这些网络的性能。实验使用 Severstal 数据进行。结果表明，迁移学习在缺陷分类中的性能比随机初始化提高了 5%（绝对值）。我们发现，迁移学习在缺陷分割中的性能比随机初始化提高了 26%（相对值）。我们还发现，随着训练数据的减少，迁移学习的收益会增加，并且迁移学习的收敛速度比随机初始化更好。
关键词： 自动视觉检测 (AVI)、DenseNet、ResNet、表面缺陷检测、迁移学习、U-Net
1. 引言
钢铁是人类最重要的建筑材料之一。缺陷检测是钢铁板质量控制的关键步骤。这个过程主要涉及使用工业相机捕获钢铁表面的图像，然后识别、定位和分类缺陷，这有助于纠正缺陷的原因。通常，这个过程是手动完成的，这既不可靠又耗时。不可靠的质量控制可能会给制造商造成巨大的经济损失。可以使用计算机视觉方法的自动分类来替代或辅助手动检测。
2. 提出的基于迁移学习的 U-Net
我们提出的联合钢铁缺陷分割和分类的架构如图 2 所示。该架构接受一个尺寸为 H × W 的输入图像，并将