《Machine Learning with Applications》：Conceptualizing Automated Surface Quality: A Cross-Domain Evidence Synthesis from CNNs to Transformers
编辑推荐：
自动化表面缺陷检测正经历从基于CNN（卷积神经网络）向Transformer及混合架构的范式转变。然而，该领域尚缺乏将这一架构演进与工业级就绪度（grade-readiness）——即检测系统将其输出转化为可操作质量分类的能力——联系起来的结构化综合研究。本项
自动化表面缺陷检测正经历从基于CNN（卷积神经网络）向Transformer及混合架构的范式转变。然而，该领域尚缺乏将这一架构演进与工业级就绪度（grade-readiness）——即检测系统将其输出转化为可操作质量分类的能力——联系起来的结构化综合研究。本项由PICOS-ES（人群、干预、对照、结局、研究设计、证据来源）指导的系统综述填补了这一空白，综合了纺织、钢铁、木材、陶瓷和电子制造领域的55篇同行评审研究（2015—2025年），并在传统PICOS框架的基础上扩展了“证据来源”（Evidence Source）作为第六个维度，以实现对数据集可复现性的系统评估。通过双评估方案（12项质量评估清单及基于QUADAS-2和APPRAISE-AI的6域偏倚风险评估），该综述报告了语料库中基准性能超过0.84 mAP/F1的结果，层次聚类识别出三种研究质量概况：高质量低偏倚（78.2%）、高质量但存在可复现性问题（14.5%）和中等等质量（7.3%）。领域分析揭示了钢铁（37.5%）和纺织（17.9%）占主导地位，以及从CNN主导（2015—2021年）向Transformer混合（2024—2025年）方法的架构转型。尽管取得了上述进展，持续存在的瓶颈依然突出：跨域泛化能力有限、报告异质性（60.7%的研究未报告计算效率指标），以及将检测与工业质量标准相连接的分级就绪能力的关键性利用不足。这些发现呼吁采用标准化、透明的报告规范，强制性代码/数据共享，以及未来将检测、分级和可操作决策相整合的研究方向，从而推动表面缺陷分析从技术演示走向经过验证的工业化部署。
# 从CNN到Transformer：表面缺陷检测架构演进与工业分级就绪的系统综述解读
## 研究背景与问题
在现代制造业中，表面缺陷检测一直面临着质量稳定性与人工检测局限之间的突出矛盾。纺织等行业虽然在全球经济中占据战略地位，但在从织造到染整的每个生产阶段都可能出现孔洞、污渍、错纬或织造不规则等缺陷，任何未被察觉的单一缺陷都可能在整批产品中传播，导致验收退货、返工成本增加以及品牌信誉受损。传统的人工目视检测受限于检验人员的主观性、注意力的有限性以及大规模生产的速度要求，已经无法满足质量控制的需求。随着深度学习与计算机视觉技术的快速发展，基于CNN的表面缺陷检测方法已经在像素级分割和多尺度特征提取等方面展现出优于手工特征的性能，但研究者逐渐认识到，单一架构和单一模态的方法难以应对复杂工业场景中的所有挑战。特别是，当前领域缺乏一种结构化的综合分析框架，将架构层面的技术演进与其对工业质量分级系统的实际支撑能力联系起来，正是这一方法论空白促使了本项研究的开展。该综述发表在国际期刊《Machine Learning with Applications》上，由印度尼西亚理工学院工业与系统工程系的Dharma、Singgih和Prastyo等人完成。
## 研究内容与核心方法
研究人员开展了一项系统文献综述（Systematic Literature Review, SLR），综合了2015至2025年间来自纺织、钢铁、木材、陶瓷和电子制造领域的55篇同行评审研究，首次采用PICOS-ES框架（在传统PICOS框架上扩展证据来源维度）对计算机视觉领域的表面缺陷检测研究进行结构化综合分析。研究的主要结论包括：识别出三种研究质量-偏倚类型，发现钢铁和纺织是研究主导领域，确认了从CNN主导向Transformer混合架构演进的趋势，同时揭示了分级就绪（grade-readiness）能力在现有研究中严重不足的问题。该研究的意义在于为表面缺陷检测领域提供了首个系统性的跨域证据综合，将架构演进与工业质量分级需求相联系，为未来标准化报告、代码/数据共享以及集成检测、分级和决策的研究方向提供了理论基础。
## 关键技术方法
作者为开展研究采用了以下关键技术方法：（1）PICOS-ES框架，即由Population（材料类型）、Intervention（检测架构）、Comparator（基线方法）、Outcomes（性能指标与分级就绪指标）、Study Design（实验设计）和Evidence Source（证据来源）六个维度构建的结构化筛选和分析体系；（2）双评估方案，包含12项质量评估清单和基于QUADAS-2与APPRAISE-AI改编的6域偏倚风险评估；（3）采用Ward层次聚类对研究质量-偏倚特征进行分类；（4）基于Scopus、IEEE Xplore、ScienceDirect和SpringerLink数据库的系统文献检索策略，遵循PRISMA报告规范。
## 研究结果
### 4.1 研究选择与质量概况
通过层次聚类分析，作者将55项纳入研究分为三个质量-偏倚聚类：Cluster I（78.2%）为高质量低偏倚研究，平均mAP为0.84±0.06，支撑了关于架构演进的主要结论；Cluster II（14.5%）为高质量但存在可复现性问题的研究，平均mAP为0.88±0.15，但代码和随机种子未公开导致结果难以复现；Cluster III（7.3%）在所有偏倚域均存在高风险，在综合时被降权处理。
### 4.2 数据集可及性与研究开放性
数据集分析显示，仅47%的研究使用完全公开的数据集，34%使用公开与专有数据的混合来源，14%使用完全专有数据，另有5%未披露数据来源。NEU-DET等基准数据集仍主导模型验证，这种数据集可及性不均衡对跨研究可比性和结果可复现性构成重要限制。
### 4.3 架构演进
架构的时间分布分析呈现从早期CNN主导（2015—2021）到Transformer和混合架构涌现（2024—2025）的清晰脉络。多流CNN、像素级CNN和级联金字塔CNN代表早期阶段，而基于Swin Transformer的检测器、全局-局部注意力Transformer以及融合CNN与Transformer的混合架构则引领近期发展方向。计算开销与检测精度的权衡是影响实际部署的关键因素。
### 4.4 关键方法角色
多尺度、多模态和弱监督学习是贯穿全文的三大关键方法支柱。多尺度方法（如多流CNN、级联金字塔特征、动态注意力机制）解决缺陷尺寸变化问题；多模态方法（如RGB-D融合、变分自编码器扩散模型）扩展跨传感器视角并增强鲁棒性；弱监督方法（如基于类激活映射的定位）降低对像素级标注的依赖。
### 4.5 分级关注
仅7项研究（12.7%）明确实现了将检测输出映射到工业质量分类的能力。RGB-D深度信息整合、YOLOPears基准以及多数据融合等方法展示了从单纯缺陷检测向质量分级决策转化的初步尝试，但整体上分级就绪仍处于发展初期。
### 4.6 基准与标准化
YOLOPears基准和SDIA-Net多尺度注意力方法的提出表明领域正在向标准化评估方向迈进。然而，现有基准仍偏向通用场景，缺乏纺织等特定材料领域的专门基准，限制了跨域比较和行业标准的建立。
### 4.7 跨域表面缺陷检测
跨域分析揭示了数据异质性带来的挑战：纺织缺陷呈现精细图案变化，木材具有复杂纹理和噪声，金属表面因高反射性干扰视觉稳定性。当前模型评估指标的不一致（部分报告mAP，部分报告mIoU）导致跨域比较缺乏“同类可比”基础。
### 4.8 综述语料中的基础模型覆盖
真正的预训练基础模型（如CLIP、SAM、DINOv2等）在纳入研究中尚未被直接复用作核心方法，Transformer系列架构仍主要作为任务特定的骨干网络而非通用基础模型使用。
## 讨论与结论
讨论部分的核心发现是：尽管87.5%的研究在引言中提及工业质量集成的重要性，仅有12.5%真正实现了从检测输出到质量分级的工作流；67.9%的研究仅在最多两种材料类型上验证了模型性能，跨域泛化声明的实证基础相当薄弱；计算开销、数据集获取和报告标准化的缺失是工业化部署的主要阻碍。
研究结论认为，表面缺陷检测领域的演进不仅是技术复杂性的积累，更是一种认识论层面的重大转变——从碎片化的算法探索走向集成的Fabric Quality 4.0框架。未来研究应优先发展自监督学习以降低标注依赖、建立标准化多模态融合协议以增强跨域通用性，并探索基础模型在零样本和少样本缺陷检测中的应用潜力，从而推动该领域从实验室技术展示走向经充分验证的可持续工业部署现实。
