基于平均轮班的原型网络用于钢表面异常识别
1Computer Engineering, Erzincan Binali Yildirim University, Erzincan, Turkey. ctastimur@erzincan.edu.tr.
Scientific reports
|December 30, 2025
概括
一个新的基于平均变速的原型网络 (MSPro-Net) 显著改善了钢表面缺陷的分类. 这种方法提高了准确性,特别是在短暂的学习场景中,优于经典方法.
科学领域:
- 材料科学与工程 材料科学与工程
- 计算机视觉和机器学习
背景情况:
- 热钢板的表面缺陷严重影响产品质量和市场接受度.
- 早期发现这些缺陷对于高效的钢铁生产至关重要.
研究的目的:
- 引入和评估基于平均变速的原型网络 (MSPro-Net) 以提高钢表面缺陷分类.
- 证明MSPro-Net在经典原型网络上的优势,特别是在少数人学习的环境中.
主要方法:
- 开发MSPro-Net,使用通过平均转移方法进行自适应原型计算.
- 与经典原型网络 (CL-ProNet) 进行比较分析,使用多个N-way K-shot场景.
- 在基准数据集上的验证包括NEU,XSDD和GC10-Det.
主要成果:
- 与CL-ProNet相比,MSPro-Net在各种数据集和少数镜头设置中实现了明显更高的缺陷分类准确性.
- 在NEU数据集上 (6-way 25-shot),MSPro-Net达到98.67%的准确率,而CL-ProNet.Net的准确率为50.67%.
- 在XSDD (96.00%) 和GC10-Det (90.00%) 数据集上也观察到优异的性能,证明了稳定性.
结论:
- MSPro-Net提供了更具代表性的类原型计算,从而在钢表面缺陷检测方面取得了重大改进.
- 拟议的方法在短暂的学习中表现出色,为制造业早期缺陷识别提供了强大的工具.


