基于自监督对比学习与伪标签的工业内窥镜微小缺陷域泛化检测与增强现实引导设计.docxVIP

PAGE2

基于自监督对比学习与伪标签的工业内窥镜微小缺陷域泛化检测与增强现实引导设计

摘要

工业内窥镜广泛应用于航空发动机与能源管道的内部检测，但微小缺陷在复杂工况下呈现形态多变、对比度低等痛点，现有检测方案多依赖监督学习，域泛化能力不足，人工复检率居高不下。本课题设计一种融合自监督对比学习与伪标签策略的域泛化检测系统，旨在跨工况、跨场景下保持高精度识别并降低标注成本。

系统核心方案包括：利用对比学习从无标签数据中提取缺陷不变特征，构建跨工况伪标签生成模型以适配光照、视角与材质变化，并设计内窥镜视场增强现实（AR）标注引导逻辑，提升操作员定位效率。全文遵循工程递进思路，从需求分析、总体设计到详细设计与实现，最终完成系统测试。

摘要概述各章内容：第一章分析微小缺陷检测瓶颈；第二章论证自监督学习与AR技术选型；第三章定义检测精度与实时性需求；第四章规划模型训练与部署架构；第五章细化对比学习与伪标签模块流程；第六章实现特征提取与AR引导原型；第七章验证跨域检测性能；第八章总结创新点与展望。核心创新在于将不变特征学习与伪标签域泛化融入工业视觉，并结合AR可视化引导，为内窥镜检测提供低成本高效解决方案。

第一章绪论

1.1研究背景

工业内窥镜是航空发动机叶片、油气管道焊缝等关键部件无损检测的核心工具。设备深入狭小腔体捕捉视频或图像，操作员需实时辨识表面裂纹、腐蚀坑与划痕等微小缺陷