DiffCL: Diffusion contrastive learning for strip steel surface defect classification

Chen, Jun

doi:10.1016/j.eswa.2026.133699

DiffCL: Diffusion contrastive learning for strip steel surface defect classification

2026-07-01

0

PRE

AI

DOI：10.1016/j.eswa.2026.133699

原文链接

原文求助

摘要

En 中文

准确且自动化的钢铁表面缺陷分类对现代钢铁制造至关重要。然而，由于视觉同质性高，该任务仍具挑战性，这导致跨类别缺陷的特征表示模糊。对比学习（CL）通过构建正负样本对以缓解跨类特征相似性并学习判别性表示，显示出潜力。然而，CL在平衡语义一致性和样本多样性方面存在固有局限，导致决策边界次优和模型泛化能力下降。为解决此问题，本文提出扩散对比学习（DiffCL）框架，通过构建丰富的困难样本流形来逐步优化决策边界。DiffCL包含三个关键组件：交叉质心不对称检索（CCAR）通过选择性利用类间特征扰动重建输入实例，识别初始困难样本池，丰富输入空间中模糊但语义相关的变化；互样本反转（MSI）在训练过程中动态转换这些样本，生成反映特征空间结构演变的边界相邻变化；自适应加权对比损失（AWCL）利用信息梯度提示在优化过程中分配锚点特定权重，使模型更关注难以学习且对表示优化更重要的样本。在四个基准数据集的十二项定量指标上的广泛实验表明，DiffCL持续优于现有先进方法，凸显其在实现精确、稳定和鲁棒钢铁表面缺陷分类方面的卓越能力。

Keyword:

Industrial defect classification

Strip steel

Contrastive learning

Diffusion models

DiffCL: Diffusion contrastive learning for strip steel surface defect classification

摘要

期刊

机构

引用论文