突破传统缺陷检测的界限，"Defect Spectrum"首次实现超高精度丰富语义的工业缺陷检测
内容提要
香港科技大学广州和思谋科技的研究团队开发了“Defect Spectrum”数据集，提供了详尽、语义丰富的工业缺陷标注。该数据集包含5438张缺陷样本，125种缺陷类别，并提供像素级的细致标签和语言描述。通过创新的“DefectGen”方法，该数据集显著提升了工业缺陷检测模型的性能。该数据集的引入为工业生产提供了更精确、高效的缺陷管理，并为未来的预测性维护提供了宝贵的数据支持。
延伸解读
语义丰富性：超越二元标注的工业缺陷检测
传统工业缺陷数据集如MVTec和AeBAD虽提供像素级标注，但多为二元遮罩，无法区分缺陷类型和位置。Defect Spectrum通过125种缺陷类别和像素级标签，为每个缺陷提供精细语言描述，使模型能识别具体缺陷类别，解决了现有数据集语义不足的问题。
Defect-Gen：小样本下的缺陷生成创新
针对缺陷样本不足，Defect-Gen采用两阶段扩散生成器：先以大感受野捕捉几何结构，再以小感受野生成局部Patch，并通过Patch级建模和限制感受野降低过拟合。这种方法在样本有限时提升了生成图像的多样性和质量，为检测模型提供更丰富的训练数据。
实际生产中的缺陷评估：从功能影响到成本控制
工业检测需权衡缺陷尺寸与功能影响。例如金属板油漆剥落虽面积大但影响小，而细小裂缝可能导致断裂；拉链齿错位虽小却影响使用，面料轻微钩丝可能可接受。Defect Spectrum的精细标注帮助系统区分缺陷严重性，决定修复或打折销售，优化质量与成本。
性能提升与未来展望
在Defect Spectrum上训练的模型召回率提升10.74%，过杀率降低33.1%，验证了其优越性。该数据集为预测性维护提供数据支持，通过记录缺陷类别和位置，工厂可优化生产流程和修复方法，推动自动化检测技术发展。
Q&A
Defect Spectrum数据集的主要特点是什么？
Defect Spectrum数据集包含5438张缺陷样本和125种缺陷类别，提供像素级的细致标签和语言描述。
DefectGen方法如何提升缺陷检测模型的性能？
DefectGen方法通过生成图像和像素级缺陷标签，显著提升了工业缺陷检测模型的性能。
Defect Spectrum数据集在工业缺陷检测中有什么应用？
该数据集为工业生产提供了更精确、高效的缺陷管理，并支持未来的预测性维护。
Defect Spectrum数据集与传统数据集相比有什么优势？
Defect Spectrum数据集提供更丰富的缺陷标注和更高的精确度，提升了召回率并降低了过杀率。
Defect-Gen模型的工作原理是什么？
Defect-Gen是一个两阶段的扩散式生成器，通过Patch级建模和限制感受野来提高图像的多样性和质量。
Defect Spectrum数据集如何支持预测性维护？
数据集记录每个缺陷的类别和位置，帮助工厂优化生产流程和改进产品修复方法。
