基于点-邻域-全局自适应混合框架的无监督材料表面缺陷检测方法PNG研究

针对工业材料表面弱纹理缺陷和局部不一致缺陷(LIDs)检测难题，北京科技大学团队提出自适应局部-全局混合框架PNG，通过点级特征、邻域级上下文和全局级纹理关系三级建模，结合软门控机制动态加权，在KolektorSDD等数据集实现平均95.81%图像AUROC，显著提升细微缺陷与LIDs的检测性能。

　　

在工业制造领域，材料表面缺陷如划痕、裂纹等直接影响产品性能和美观，传统人工检测效率低下，而现有基于深度学习的监督方法面临标注成本高、弱纹理缺陷漏检等问题。尤其对于两类特殊缺陷——呈现微弱边缘不连续的弱纹理缺陷和依赖上下文判定的局部不一致缺陷(Localized Inconsistency Defects, LIDs)，现有无监督方法因缺乏多尺度特征表征和全局上下文整合能力，检测效果欠佳。北京科技大学研究团队在《Expert Systems with Applications》发表的研究中，创新性提出PNG框架，通过三级特征建模和自适应融合机制，实现了工业表面缺陷检测的突破性进展。

研究采用预训练CNN特征提取结合三级分布建模的技术路线：1) 点级(Point Level)高斯混合模型捕捉单特征分布；2) 邻域级(Neighborhood Level)通过局部窗口统计增强上下文感知；3) 全局级(Global Level)采用图注意力网络建模跨区域纹理关系。自适应软门控机制(ASGM)根据表面复杂度动态调整三级权重，实验基于KolektorSDD、KolektorSDD2和DAGM三个公开数据集进行验证。

方法论
特征提取阶段使用ImageNet预训练的Wide-ResNet50-2网络，输出三个层级的特征图。点级建模采用多元高斯分布拟合正常样本特征；邻域级通过滑动窗口计算局部统计量；全局级构建图结构捕捉长程纹理关系。ASGM通过可学习参数实现三级得分动态融合，公式为S_final=αS_P+βS_N+γS_G，其中权重系数由表面纹理复杂度自适应生成。

实验结果
在KolektorSDD2数据集上，PNG取得93.68%图像AUROC和95.58%像素AUROC，较次优方法分别提升2.3%和3.1%。消融实验显示：邻域级对LIDs检测贡献率达37.2%，而点级对弱纹理缺陷敏感度提升29.8%。ASGM使综合性能提升4.6%，证实其自适应优势。

结论与讨论
该研究首创的三级建模框架有效解决了弱纹理缺陷与LIDs的协同检测难题：1) 点级精细捕捉特征微小变异；2) 邻域级实现上下文相关缺陷判别；3) 全局级抑制误检。ASGM机制突破传统固定权重局限，在钢板、织物等不同材质表面均展现强适应性。未来可扩展至视频流缺陷检测领域，为工业4.0质检系统提供新范式。