工业AI视觉缺陷检测小样本过拟合与难例挖掘.docxVIP

工业AI视觉缺陷检测小样本过拟合与难例挖掘

摘要：工业AI视觉缺陷检测面临标注样本稀缺（每类缺陷通常少于50张）与缺陷形态多样化的双重困境，极易导致模型过拟合与泛化能力不足。本文提出了一套“数据增广-正则化约束-难例挖掘”三位一体的解决方案。在数据增广方面，采用CutMix与RandAugment混合策略，并结合风格迁移（将正常样本的风格迁移到缺陷样本上）将有效样本量扩充20倍。在正则化约束方面，设计了对比损失（ContrastiveLoss）与标签平滑（LabelSmoothing）相结合的损失函数，抑制模型对训练样本的过拟合。在难例挖掘方面，提出了基于预测熵的在线难例挖掘算法（Entropy-basedOnlineHardExampleMining,EOHEM），在训练过程中动态筛选预测不确定性高的样本进行重点学习。在光伏EL图像隐裂检测任务上（每类缺陷仅30张训练样本）进行了验证：相比基线模型（ResNet-50），所提方法将F1-score从0.812提升至0.941，过拟合率（训练集与测试集F1之差）从0.152降至0.038。难例挖掘算法使模型对微小隐裂（长度5mm）的召回率从0.68提升至0.89。本工作旨在为工业场景下的小样本缺陷检测提供实用的技术方案。

关键词：工业视觉；缺陷检测；小样本学习；过拟合抑制；难例挖掘

第一章绪论

工业AI视觉检测——利