激光驱动的GaN纳米粒子合成技术用于下一代光电子器件：从薄膜烧蚀到光探测器性能的提升

《Optics & Laser Technology》：Laser-driven synthesis of GaN nanoparticles for next-generation optoelectronics: from thin-film ablation to enhanced photodetector functionality

针对工业场景的缺陷分割难题，本研究提出新数据集和评估方法，对比元学习与Vision Foundation Models（VFM）性能，发现VFM更优。创新性提出基于特征匹配的FM-SAM方法，结合FastSAM实现高效分割，并验证SAM2视频跟踪模式的有效性。数据集涵盖9类缺陷，突破传统纹理场景局限，为工业小样本分割提供新基准。

　　工业缺陷分割在制造质量控制中扮演着至关重要的角色。随着制造业对产品质量管理要求的不断提升，自动化工业视觉检测技术逐渐成为行业关注的焦点。这种技术旨在通过图像识别自动发现产品中的缺陷，从而提高生产效率和产品合格率。然而，在实际工业应用中，传统监督学习方法常常面临训练样本不足的问题。相比于常见的自然图像，工业缺陷图像的获取更加困难，因为生产线上的产品往往缺陷率较低，而且商业隐私保护也限制了数据的公开。因此，研究者们开始探索少样本语义分割（Few-Shot Semantic Segmentation, FSS）方法，以应对工业缺陷检测中的样本稀缺问题。

少样本语义分割是一种在仅有少量标注样本的情况下，实现对新目标对象的像素级分割的技术。它在工业缺陷检测中具有重要的应用价值，因为可以在没有大量缺陷样本的情况下，对新型缺陷或复杂产品进行识别。然而，目前的研究大多集中在简单的纹理缺陷上，缺乏对更复杂工业场景的深入探索。本文旨在填补这一空白，通过构建一个更加全面的少样本缺陷分割（Few-Shot Defect Segmentation, FDS）基准，研究基于度量学习的FSS方法，包括基于元学习和基于视觉基础模型（Vision Foundation Models, VFM）的方法。我们发现，基于元学习的方法通常需要大量的同领域训练样本，而这些样本在大多数工业场景中并不现实。相比之下，基于VFM的方法在少样本情况下展现出更大的潜力，尤其是在不需要额外训练数据的情况下。

为了更全面地评估FDS方法，本文首先构建了一个新的真实世界数据集，该数据集专注于基于对象的工业产品缺陷，包含9个明确的缺陷类别和像素级标注。与现有的纹理缺陷数据集相比，该数据集更具挑战性，表明FDS研究需要扩展到更广泛的工业场景。此外，我们还对现有的FDS数据集进行了重新组织，以创建一个更加多样化的基准。通过这一基准，我们对经典元学习方法进行了更深入的评估，发现这些方法在处理对象类缺陷时表现不佳，而在处理纹理类缺陷时则相对有效。因此，我们提出了一种新的训练无关的FDS方法，称为FM-SAM，该方法结合了特征匹配和FastSAM模型，以提高分割效率和准确性。

在方法研究方面，我们系统地探讨了两种基于VFM的FDS方法。第一种方法基于DINO和FastSAM模型，提出了一种新的FDS方法，即FM-SAM。该方法的核心创新在于发现，通过从视觉Transformer（ViT）模型向卷积神经网络（CNN）模型进行跨架构蒸馏，可以构建出更具表现力的特征提取器。尽管特征蒸馏技术已经被广泛研究，但大多数研究集中在同架构之间的蒸馏，例如CNN到CNN或ViT到ViT。相比之下，ViT到CNN的蒸馏在FDS任务中显得尤为重要，因为这种蒸馏方式能够融合ViT模型带来的丰富语义信息和CNN模型提供的高空间分辨率特征。实验表明，这种蒸馏方式显著提升了FDS的性能。

第二种方法则基于最新的SAM2模型，通过评估其不同的提示策略和操作模式，我们发现其视频跟踪模式可以直接用于实现高效的FDS。SAM2作为一种强大的零样本分割模型，能够在没有额外训练的情况下，对新的缺陷类别进行准确分割。这一发现为FDS任务提供了一种新的解决方案，即无需收集额外的训练样本，直接利用SAM2的视频跟踪能力进行端到端的分割。这种方法不仅减少了数据准备的复杂性，还提高了分割的实时性和效率。

在实验部分，我们对多种基于度量学习的FDS方法进行了评估，包括传统的元学习方法和基于VFM的方法。实验结果表明，基于VFM的方法在分割性能上优于传统的元学习方法，特别是在处理复杂对象类缺陷时。FM-SAM方法在保持高效率的同时，也表现出良好的分割性能，而SAM2的视频跟踪模式则在分割精度上具有显著优势。这些结果验证了我们提出的方法的有效性，并为工业缺陷分割提供了新的思路和工具。

此外，本文还对现有FDS数据集的局限性进行了分析。大多数公开的FDS数据集主要关注纹理类缺陷，而忽略了更多样化的工业对象。这种数据集的不均衡性可能会影响FDS模型的泛化能力和准确性。因此，我们提出的新数据集不仅涵盖了更多的工业对象，还确保了缺陷类别的定义具有一致的语义抽象水平，从而为FDS研究提供了更可靠的基础。

在实际应用中，工业生产环境对分割方法的效率和准确性提出了更高的要求。本文提出的方法FM-SAM和SAM2的视频跟踪模式，分别在效率和精度上表现出色，能够满足工业场景中的实时检测需求。这不仅有助于提高检测速度，还能降低对额外训练数据的依赖，从而减少数据收集和标注的成本。

综上所述，本文通过对FDS任务的深入研究，提出了一种新的数据集和两种有效的FDS方法。这些方法在工业场景中展现出良好的性能，为少样本缺陷检测提供了新的解决方案。未来的研究可以进一步探索如何优化这些方法，以适应更多样化的工业应用场景，并提高其在实际生产中的应用价值。