基于多任务特征层共享的表面缺陷检测

在基于卷积神经网络的工业表面缺陷检测中,往往将缺陷检测任务视为单任务进行学习。针对单任务学习数据来源单一、样本量缺乏的问题,提出了一种基于多任务特征层共享的表面缺陷检测方法(Feature-shared Multi-task Network,FSMTNet)。该方法首先对原图像数据分别进行高斯滤波和canny算子边缘提取,处理后的两组图像数据和原数据视为三个相关联的任务;三组图像分别输入以AlexNet为主干的网络,通过一种共享单元(Shared unit)进行任务间的特征共享;并在一系列可学习权重的作用下,自主学习出最佳共享组合。在不进行任何数据增强的前提下,该方法达到了96.111%的平均准确率,对比传统方法提升6%,子类准确率最大提升27%。实验结果表明,基于多任务特征层共享的缺陷检测网络性能优于同类单任务网络。