纹理增强缺陷分割网络

同时利用查询图像先验知识与支持图像原型特征，在极少标注样本下实现跨缺陷类型泛化的工业缺陷分割模型。

刘星月 · Qian, Wu · Yahui, Cheng · 文国军

Engineering Applications of Artificial Intelligence 2025

参数信息

mIoU（1-shot）

46.05 %

mIoU（5-shot）

46.98 %

技术优势

跨缺陷类型泛化

模型通过自引导分支从查询图像提取先验知识，交叉引导分支从带掩码的支持图像提取先验和原型特征，从而能处理未见过的缺陷类型。

纹理细节增强

纹理增强模块增强骨干网络低层特征中的纹理信息，并与高层语义特征融合，使网络同时利用局部细节和全局上下文，从而更好处理复杂纹理。

大幅超越现有方法

在少样本缺陷分割任务上，所提方法在1-shot和5-shot条件下分别取得46.05%和46.98%的mIoU，达到当前最优水平。

应用场景

• 工业质检：用极少缺陷样本即可上线多种产品的质检模型，降低标注成本。
• 表面缺陷检测：处理复杂纹理和未见缺陷类型，提升表面缺陷的检出泛化能力。
• 自动化检测设备：模型轻量且推理快，可部署到自动化检测设备实现在线检测。