论文标题：TLU-Net: A Deep Learning Approach for Automatic Steel Surface Defect Detection 论文链接：https://arxiv.org/abs/2101.06915 作者单位：KineticAI(美国公司)等 本文提出基于迁移学习的U-Net（TLU-Net）框架进行钢材表面缺陷检测，并探索两种编码器：ResNet和DenseNet。结果表明，在缺陷分类中，迁移学习的性能比随机初始化好5％。在缺陷分割中，迁移学习的性能比随机初始化好26％。

钢材表面缺陷检测是钢板制造中必不可少的步骤。近年来，已经研究了几种基于机器学习的自动视觉检查（AVI）方法。但是，由于训练时间和AVI方法的不准确性，大多数钢铁制造业仍然使用手动外观检查。自动钢材缺陷检测方法可能对降低成本和加快质量控制和反馈很有用。但是，准备带注释的训练数据进行分割和分类可能是一个昂贵的过程。在这项工作中，我们提出使用基于迁移学习的U-Net（TLU-Net）框架进行钢材表面缺陷检测。我们以U-Net架构为基础，并探索两种编码器：ResNet和DenseNet。我们使用随机初始化将这些网络的性能与使用ImageNet数据集进行训练的预训练网络进行比较。使用Severstal数据进行实验。结果表明，在缺陷分类中，迁移学习的性能比随机初始化好5％（绝对值）。我们发现，在缺陷分割中，迁移学习的性能比随机初始化好26％（相对）。我们还发现，随着训练数据的减少，迁移学习的收益增加，并且迁移学习的收敛速度要好于随机初始化。

内容中包含的图片若涉及版权问题，请及时与我们联系删除