BEDUNet：一种高效的弱监督热轧钢缺陷分割方法，结合了边界增强动态学习技术

《Expert Systems with Applications》：BEDUNet: Efficient Weakly-Supervised Segmentation of Hot-Rolled Steel Defects with Boundary-Enhanced Dynamic Learning

弱监督缺陷分割方法 BEDUNet 提出边界增强模块与动态伪标签更新模块，解决热轧钢带表面缺陷低对比度、边界模糊问题，实验显示 mIoU 达 82.7%-85.1%。

　　

Jingliang Wei|Xuan Chen|Yueying Liu|Xinglong Feng

沈阳工业大学人工智能学院，中国沈阳，110870

摘要

对于热轧带钢表面缺陷的精确分割而言，普遍存在的弱监督问题是一个重大瓶颈，限制了智能工业缺陷检测性能的提升。本文提出了一种基于弱监督的热轧带钢表面缺陷分割方法（BEDUNet），旨在解决工业缺陷检测中标记数据有限和缺陷边界模糊的问题。由于获取高质量热轧带钢缺陷数据的难度以及缺陷与背景之间的对比度较低，本文引入了基于领域知识的边界增强模块（BEDK）和动态更新模块（DUM）以提高分割精度。BEDK模块利用了关于热轧带钢缺陷的分类特征（如线性、块状性和边界模糊性）的领域知识，通过定制的多分支卷积核和边界对比学习来增强缺陷边界与背景之间的区分度，从而生成更高质量的类别激活图（CAM）。DUM模块根据模型的收敛情况动态调整伪标签更新周期和阈值，进一步提高伪标签的质量和整个网络的性能。使用真实世界中的带钢缺陷数据集进行仿真实验表明，所提出的方法具有较高的分割精度，验证了其在模拟工业生产环境中的有效性。实验评估显示，两个不同数据集的平均交并比（mIoU）分别为82.7%和85.1%。此外，在实际工业验证中，进一步证明了所提出方法的有效性和可靠性。

引言

热轧带钢表面缺陷的精确分割对于智能工业质量控制至关重要（Chunfeng, Kun, Wenyan, & Bing (2022); Tao, Hou, & Xu (2021); Yu, Kechen, Defu, & Yunhui (2021); Zongyou, Chunyan, Xiaoling, & Minglu (2023)）。尽管深度学习在医学成像（Zunair & Hamza (2021) 和遥感（Li et al. (2024)）等图像分割领域取得了显著进展，但由于高质量监督数据的稀缺，其在冶金领域的应用受到严重限制。传统的全监督方法需要大量的像素级注释，这在工业环境中成本高昂且劳动强度大。此外，由于缺陷分布复杂，注释过程往往存在主观性。带钢缺陷的固有形态特征进一步加剧了分割任务的难度（Wang et al. (2022); Xu, Wei, & Feng (2024)）。如图1所示，多个因素使得带钢缺陷分割任务变得复杂：缺陷与背景之间的对比度低（图1(a)）、缺陷边缘不明显（图1(b)）、缺陷形态的类间相似度高（图1(c)和(e)），以及形状和大小的类内变化大（图1(d)和(e)），这些因素共同阻碍了当前全监督深度学习方法的有效性（Guo, Wei, & Feng (2025); Xu et al. (2024)）。

为了减少对详尽注释的依赖，弱监督学习（WSL）（Ren, Wang, & Zhang (2023); Rong, Tu, Wang, & Li (2023); Yao et al. (2021); Zhou (2018)）成为一种有前景的方法。通过利用粗略的监督信息（如图像级标签），WSL降低了注释成本。然而，现有的WSL方法往往难以生成高保真的伪标签，通常导致分割掩码的边界模糊，无法捕捉到严格工业检测所需的细粒度结构细节。

为了解决上述问题，本文提出了一种基于弱监督学习的带钢缺陷分割网络，该网络包括两个关键模块：基于领域知识的边界增强模块（BEDK）和动态更新模块（DUM）。

与一般的基于边界感知的方法（例如BECO Rong et al. (2023)）不同，BEDK（基于领域知识的边界增强）是一个由领域知识驱动的边界增强模块。它根据热轧带钢缺陷的结构特征（如线性、块状性和模糊性）对其进行分类，并将这些先验知识正式编码到网络的多分支差分卷积核架构中。这种设计有效提升了模型对缺陷边界的区分能力。另一方面，与基于亲和力的细化方法（例如SEAM Wang, Zhang, Kan, Shan, & Chen (2020b)）不同，DUM根据模型训练的收敛情况动态调整伪标签的更新周期，从而在标注数据稀缺的情况下提高分割网络的性能，并增强模型的泛化能力。

本文的主要贡献如下：

• 1. 提出了基于领域知识的边界增强模块（BEDK），该模块增强了缺陷区域与背景区域的分离，提高了类别激活图（CAM）的质量和精度。
• 2. 设计了动态更新模块（DUM），根据模型的收敛情况动态调整伪标签更新周期，显著提升了分割网络的性能，并有效提高了模型在不同数据集上的泛化能力。
• 3. 通过仿真实验和工业验证测试，验证了所提出方法在真实工业环境中的有效性和鲁棒性。

深度学习在缺陷分割中的应用

近年来，深度学习技术，特别是卷积神经网络（CNN），在计算机视觉领域取得了显著进展，并被广泛应用于工业缺陷检测和分割任务（Cumbajin et al. (2023); Usamentiaga, Lema, Pedrayes, & Garcia (2022)）。CNN凭借其强大的特征提取能力，在图像分类、目标检测和语义分割等任务中表现出色。

方法

本文提出的整体框架如图2所示，包括基于领域知识的边界增强模块和动态更新模块。第3.1节介绍了基于领域知识的边界增强模块（BEDK），第3.2节介绍了动态更新模块（DUM），第3.3节总结了所提出网络的架构。

实验

本节分为四个部分。第一部分介绍了带钢缺陷数据集和实验环境的配置。第二部分关注高质量类别激活图（CAM）的生成。第三部分展示了图像分割结果，并将所提出的方法与几种主流方法进行了比较。第四部分在不同的实验设置下进行了一系列消融研究，以验证所提出方法带来的性能提升。

结论

本文提出的BEDUNet模型有效解决了弱监督问题以及热轧带钢表面缺陷分割中的各种复杂性。通过集成基于领域知识的边界增强模块（BEDK）和动态更新模块（DUM），BEDUNet增强了缺陷与背景之间的分离，生成了更准确的类别激活图（CAM）。此外，DUM动态调整伪标签

CRediT作者贡献声明

Jingliang Wei：概念构思、监督、研究、数据分析、写作——审稿与编辑、资源协调。Xuan Chen：验证、初稿撰写、审稿与编辑、研究、资源协调。Yueying Liu：写作——审稿与编辑、资金获取。Xinglong Feng：资金获取、研究。

利益冲突声明

作者声明他们没有已知的财务利益冲突或个人关系可能影响本文所述的工作。