Multi-grained teacher-student joint representation learning for surface defect classification

doi:10.1016/j.jii.2025.100958

Multi-grained teacher-student joint representation learning for surface defect classification

2025-09-20

0

PRE

AI

DOI：10.1016/j.jii.2025.100958

原文链接

原文求助

摘要

En 中文

表面缺陷分类（SDC）在工业系统中确保产品质量方面发挥着关键作用。表面缺陷的特征是复杂的噪声背景、多样的缺陷类型和多尺度缺陷形状。现有方法往往难以在如此复杂的环境中有效学习多粒度的缺陷信息。本研究提出了一种多粒度教师-学生联合表示学习（MGJR）框架，该框架在统一架构中整合了粗粒度和细粒度表示学习。基于ViT的教师网络首先从缺陷丰富的背景中学习整体全局特征。这些特征指导一个增强集成了集成高效多注意力（IEMA）模块和全局-局部注意力（GL-Attention）机制的学生网络，从而实现多尺度特征的提取与融合，在保留上下文的同时强调局部异常。此外，锚点引导训练策略（AGTS）作为一致性约束，通过将教师稳定的粗粒度信号与学生在噪声输入下的细粒度响应进行对齐，增强模型的鲁棒性。整个框架使用统一的损失函数进行端到端优化，该函数结合了粗粒度指导与任务特定的监督。大量实验表明，MGJR在NEU-CLS数据集上达到99.98%的准确率，并在多个工业基准上持续优于先前方法。该模型保持轻量化，拥有21.14百万参数和28.6亿次浮点运算（FLOPs）。MGJR在噪声条件下及其他分类任务中表现出良好性能。为证明其实际有效性，本研究构建了一个包含7种缺陷类型和2,654张图像的木材表面缺陷数据集，该数据集来自真实工业场景。MGJR在此数据集上取得了顶尖性能，验证了其在实际应用中的适用性。

Multi-grained teacher-student joint representation learning for surface defect classification

摘要

期刊

机构

引用论文