.png){kind=icon}
返回
Crop-paste and diffusion-based semi-supervised segmentation network for metal defect detection
.png){kind=icon}
PRE
AI
DOI：10.1016/j.knosys.2025.113573.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
金属缺陷语义分割是工业生产过程中对缺陷进行分类和定位的关键环节，对提升金属产品质量具有至关重要的作用。近年来，深度学习在识别和分割金属表面缺陷方面展现了出色的能力。然而，全监督分割技术的广泛应用需要大量标注数据进行有效模型训练，这在实际场景中难以获取。此外，大多数金属产品缺陷表现出不清晰的边缘细节，阻碍了缺陷的精确定位。本研究提出了一种基于CropPaste和扩散模型的半监督分割网络（CPDNet），利用有标签和无标签数据来识别金属表面的像素级缺陷。首先，提出了一种半监督训练方法Crop-Paste，以利用大量无标签图像和有限的有标签图像学习全面的语义特征。其次，提出了一种频域导向的扩散模型，用于恢复缺陷的高频特征，以生成更准确的分割结果。最后，在Sobel mean-teacher（M-T）UNet中提出了边缘感知模块，以改善与缺陷相关的边界信息表示。在四个金属表面缺陷数据集和一个多模态数据集上的实验结果表明，CPDNet相较于当前最优方法取得了更好的性能。
Keyword:
Metal defect detection
Defect segmentation
Semi-supervised learning
Diffusion model
期刊
K
IF:
7.6
论文数:
1.3W
被引数:
4.5W
机构
暂无机构信息
引用论文
Cosmos Propagation Network: Deep learning model for point cloud completionCosmos传播网络: 点云补全的深度学习模型.png)
NEUROCOMPUTING
OAAI
NEUROCOMPUTINGIF6.5
OAAI分享收藏Mixed supervision for surface-defect detection: From weakly to fully supervised learning表面缺陷检测的混合监督: 从弱监督学习到完全监督学习OAAI
OAAI分享收藏Feature matching driven background generalization neural networks for surface defect segmentation
PREAI
分享收藏分享收藏Few-shot defect recognition for the multi-domain industry via attention embedding and fine-grained feature enhancement通过注意力嵌入和细粒度特征增强的多领域行业少镜头缺陷识别
PREAI
分享收藏A regularization-driven Mean Teacher model based on semi-supervised learning for medical image segmentation基于半监督学习的正则化均值教师医学图像分割模型
PREAI
分享收藏Fast and Few-Shot Unsupervised Defect Detection on Flexible Packaging Surfaces快速少样本无监督柔性包装表面缺陷检测
PREAI
分享收藏Shape-Consistent One-Shot Unsupervised Domain Adaptation for Rail Surface Defect Segmentation形状一致的一次无监督域自适应钢轨表面缺陷分割
PREAI
分享收藏
查看更多内容