弱监督学习在工业缺陷检测中的应用与优化

1. 工业缺陷检测的监督学习困境

在工厂车间里，质检员小王每天要检查上千个零件表面是否存在划痕、凹陷或污渍。这种重复性工作不仅容易疲劳漏检，不同质检员的标准也难以统一。这正是工业缺陷检测算法试图解决的问题——但传统全监督学习在这里遇到了三个致命瓶颈：

第一是标注成本。以手机外壳检测为例，训练一个合格的全监督模型需要至少5000张标注样本。假设每张图片标注耗时3分钟（需标出缺陷位置和类型），仅标注成本就超过250小时人工。某汽车零部件厂商曾向我透露，他们为某个型号的变速箱齿轮检测项目，光标注费用就花了23万元。

第二是缺陷样本稀缺。正常生产线上良品率通常超过95%，意味着10000张样本中可能只有不到500张缺陷图片。更棘手的是，缺陷类型可能分散成几十种（如划痕、气泡、缺料等），每种缺陷仅有几个样本。这种极端不平衡的数据分布会导致模型对少数类失效。

第三是产线快速迭代。当产品型号或工艺变更时，原有缺陷特征可能完全失效。我曾参与过一个液晶屏检测项目，仅仅因为供应商更换了清洁剂配方，就导致原有的污渍检测模型准确率从98%暴跌至62%。全监督模型重新标注和训练的成本让很多工厂望而却步。

2. 弱监督学习的破局之道

2.1 什么是弱监督学习

弱监督学习（Weakly Supervised Learning）就像教孩子认动物：不需要精确指出图片中猫的耳朵、胡须位置（像素级标注），只需要告诉孩子"这是猫"（图像级标签），甚至只说"这些图片里有猫"（包级别标签）。在工业场景中，这意味着：

• 图像级标签：仅需标记整张图片是否有缺陷（是/否）
• 涂鸦标注：用粗略线条圈出缺陷区域而非精确轮廓
• 点标注：在缺陷中心点打标记而非标注整个区域
• 多实例学习：已知一批图片中有缺陷图片但不确定具体是哪张

某轴承生产线的实测数据显示，采用涂鸦标注后，单个样本标注时间从全监督的186秒降至28秒，效率提升6.6倍。

2.2 弱监督的技术实现路径

2.2.1 基于类激活图的方法

以CAM（Class Activation Mapping）为例，其核心思想是通过全局平均池化层将卷积特征图与分类权重结合。具体实现时：

python复制def generate_cam(model, img):
    # 获取最后一个卷积层的输出