段佳佳

（太原師范學(xué)院計算機科學(xué)與技術(shù)學(xué)院，晉中 030619）

0 引言

現(xiàn)有工業(yè)場景下，鋼鐵表面包括但不限于龜裂、雜質(zhì)、斑塊、麻坑面、氧化鐵皮壓入、劃痕等類型的缺陷。缺陷類型不僅多樣復(fù)雜，而且存在缺陷特征不明顯和特征復(fù)雜的問題。

眾所周知，有標簽數(shù)據(jù)挖掘通常能夠帶來非常高的準確率，但數(shù)據(jù)收集耗時費力，成本高；無標簽數(shù)據(jù)挖掘成本低，但產(chǎn)生的結(jié)果可信度較低。因此，半監(jiān)督學(xué)習(xí)（Semi-Supervised Learning）成為了研究的熱潮。半監(jiān)督學(xué)習(xí)可以用少量的有標簽數(shù)據(jù)和大量的無標簽數(shù)據(jù)進行學(xué)習(xí)，不僅可以獲得比無監(jiān)督更加準確可信的結(jié)果，而且可以降低學(xué)習(xí)成本。

深度學(xué)習(xí)中的半監(jiān)督方法可分為五種：①一致性正則化、圖、生成式、混合式和偽標簽［1］，一致性正則化方法是指即使樣本注入噪聲，分類器的預(yù)測結(jié)果也不會發(fā)生顯著變化，因此，通過將預(yù)測結(jié)果和擾動后的結(jié)果間的損失正則化，即可提高模型的泛化能力。②基于圖的方法，是將數(shù)據(jù)集構(gòu)建為圖，每個節(jié)點表示一個訓(xùn)練數(shù)據(jù)，通過構(gòu)建圖節(jié)點間的邊緣或節(jié)點向量的相似性來進行分類，但在定位任務(wù)上的效果有待進一步挖掘。③生成式方法，是利用數(shù)據(jù)的隱式特征，使生成假設(shè)的標簽?zāi)芘c真實分布相吻合，從而達到較高的性能，但是需要較充足的先驗知識。④偽標簽學(xué)習(xí)具有標簽數(shù)據(jù)學(xué)習(xí)的特點，將之應(yīng)用到無標簽數(shù)據(jù)中，可以生成數(shù)據(jù)的近似標簽，稱之為偽標簽；模型通過標簽數(shù)據(jù)和偽標簽數(shù)據(jù)進行訓(xùn)練，從而達到學(xué)習(xí)的目的。⑤混合式方法，是通過將偽標簽、一致性正則化和熵最小化的思想相融合，以達到提高模型性能的效果，但實現(xiàn)難度高。

上述深度學(xué)習(xí)中的各類半監(jiān)督方法在執(zhí)行圖像目標檢測任務(wù)時，數(shù)據(jù)處理大多依賴于數(shù)據(jù)增強和數(shù)據(jù)轉(zhuǎn)換，但是大多數(shù)情況下，數(shù)據(jù)的增強和轉(zhuǎn)換并不容易生成。由于偽標簽方法不受數(shù)據(jù)格式的約束，獲取數(shù)據(jù)偽標簽的方法也容易獲得，因此本文采用偽標簽方法來實現(xiàn)半監(jiān)督學(xué)習(xí)。

半監(jiān)督方法在圖像分類和語義檢測領(lǐng)域的應(yīng)用相對較多，但在目標檢測領(lǐng)域的應(yīng)用則相對較少。2013年，Lee［2］提出使用無標簽和有標簽數(shù)據(jù)同時參與訓(xùn)練，并在半監(jiān)督分類領(lǐng)域獲得了當時的最佳效果，但僅限于分類任務(wù)。2019年，Jeong等［3］提出了用于目標檢測的半監(jiān)督協(xié)同學(xué)習(xí)方法，該方法不僅可以同時用于單階段和多階段目標檢測，而且可以通過獲取圖片間的位置或特征一致性損失，進行分類和定位的預(yù)測。2020年，Sohn等［4］提出了目標檢測的一種簡單的半監(jiān)督學(xué)習(xí)方法STAC，該方法首先用標注數(shù)據(jù)訓(xùn)練一個模型，然后使用該模型對無標簽數(shù)據(jù)進行預(yù)測，最后將以預(yù)測結(jié)果為偽標簽的數(shù)據(jù)和標注數(shù)據(jù)一起用于訓(xùn)練新的模型，構(gòu)建了簡單的半監(jiān)督目標檢測機制。2021年，Liu等［5］提出的unbiased teacher方法，是端到端的目標檢測方法，不僅證實了目標檢測中類別不平衡的問題會影響偽標簽的可靠性，而且有效地解決了背景和前景分類時存在的類別不平衡問題，從而提高了半監(jiān)督模型的預(yù)測準確性。同年，Xu等［6］提出了Softteacher目標檢測方法，實現(xiàn)了使用教師和學(xué)生模型一同訓(xùn)練的端到端的目標檢測方法，在此基礎(chǔ)上提出了軟教師和抖動框的方法，將目標檢測的平均精度均值提升到現(xiàn)有半監(jiān)督目標檢測方法的最高水平。盡管如此，偽標簽可靠性的問題依然存在。

針對鋼鐵表面缺陷檢測的實際應(yīng)用需求和半監(jiān)督目標檢測領(lǐng)域中偽標簽可靠性較低的問題，本文在Softteacher模型的基礎(chǔ)上，對Softteacher中用于目標檢測的FFRCNN網(wǎng)絡(luò)的特征融合機制和用于偽標簽可靠性評價的評價機制進行改進，并將之用于帶鋼表面缺陷的檢測。

首先，Softteacher模型在應(yīng)用于鋼鐵表面缺陷檢測時，由于鋼材缺陷類型多樣帶來的特征不明顯問題，使得模型整體平均準確度均值有所降低。而卷積神經(jīng)網(wǎng)絡(luò)使用不同的卷積核能得到不同的特征圖，因此，將FFRCNN網(wǎng)絡(luò)的特征融合機制改為采用并行多分支結(jié)構(gòu)，可以盡可能避免特征丟失帶來的損失；其次，Softteacher屬于半監(jiān)督學(xué)習(xí)方法，因此，生成滿足一定精確度和可靠性偽標簽的機制是其至關(guān)重要的一環(huán)。在Softteacher模型中，數(shù)據(jù)的偽標簽采用基于閾值的硬篩選方法生成，但可靠性不足。因此，改進其偽標簽生成機制，提高偽標簽的可靠性，可以有效提高Softteacher模型的整體性能。

1 Softteacher鋼鐵表面缺陷檢測方法

本節(jié)介紹Softteacher模型用于鋼鐵表面缺陷檢測的檢測流程，所采用的FFRCNN網(wǎng)絡(luò)、損失函數(shù)以及抖動框算法。

1.1 Softteacher半監(jiān)督目標檢測流程

Softteacher是一種端到端的兩階段半監(jiān)督目標檢測模型，通過在訓(xùn)練過程中逐漸提高目標檢測模型準確度和生成偽標簽的質(zhì)量來提升模型的總體準確度。該方法用于鋼鐵表面缺陷檢測的流程如圖1所示。

從數(shù)據(jù)流的角度對模型進行分析，可以簡單概括如下：

（1）數(shù)據(jù)集由標簽數(shù)據(jù)和無標簽數(shù)據(jù)組成。有標簽數(shù)據(jù)進行弱增強后輸入學(xué)生模型進行有監(jiān)督訓(xùn)練，經(jīng)過有監(jiān)督訓(xùn)練后的學(xué)生模型通過EMA參數(shù)更新，將學(xué)生模型的權(quán)重參數(shù)傳遞給教師模型，進行教師模型學(xué)習(xí)。

（2）無標簽數(shù)據(jù)進行強增強后輸入學(xué)生模型，生成候選結(jié)果。

（3）無標簽數(shù)據(jù)進行弱增強后輸入教師模型，并通過更新權(quán)重參數(shù)后的教師模型進行結(jié)果的預(yù)測，然后將預(yù)測結(jié)果通過NMS過濾，獲得初步偽標簽。

（4）從分類數(shù)據(jù)流程來看，Softteacher模型通過高分數(shù)閾值對初步偽標簽進行篩選以獲得偽框分類結(jié)果，并作為步驟（2）中生成的候選分類結(jié)果的標簽，即學(xué)生模型所預(yù)測的無標簽數(shù)據(jù)分類結(jié)果和教師模型預(yù)測的偽分類結(jié)果進行計算，可獲得無標簽數(shù)據(jù)預(yù)測的分類結(jié)果和分類損失，并將該分類損失和由學(xué)生模型訓(xùn)練而得的分類損失進行加權(quán)，可得到最終的分類損失函數(shù)。

（5）從框回歸數(shù)據(jù)流程來看，模型通過方差濾波對步驟（3）獲得的初步偽標簽進行篩選，得到偽框回歸結(jié)果，并將該偽框作為步驟（2）中生成的候選框結(jié)果的標簽，即學(xué)生模型所預(yù)測的無標簽數(shù)據(jù)候選框結(jié)果和教師模型預(yù)測的偽框結(jié)果進行計算，可得到無標簽數(shù)據(jù)的預(yù)測框和框回歸損失，并將該回歸損失和由學(xué)生模型輸出的回歸損失進行加權(quán)，可得到最終的框回歸損失函數(shù)。

（6）步驟（4）和步驟（5）得到的損失函數(shù)通過前饋權(quán)重參數(shù)更新，可使學(xué)生模型再次學(xué)習(xí)；同時，通過將學(xué)生模型的權(quán)重參數(shù)傳遞給教師模型，可對教師模型進行權(quán)重參數(shù)更新。如此循環(huán)反復(fù)，逐漸提高整個模型的檢測準確度。

從學(xué)習(xí)路線的角度對模型進行分析，整個模型可以分解為教師流和學(xué)生流。

學(xué)生流模型利用有標簽數(shù)據(jù)學(xué)習(xí)已有的標簽數(shù)據(jù)的特點，這些特點在目標檢測網(wǎng)絡(luò)中具體為深度學(xué)習(xí)網(wǎng)絡(luò)模型的權(quán)重參數(shù)，而這些權(quán)重參數(shù)可用于后續(xù)對無標簽數(shù)據(jù)的偽標簽進行預(yù)測；學(xué)生流模型學(xué)習(xí)到的權(quán)重參數(shù)通過傳遞給教師流模型對無標簽數(shù)據(jù)的偽標簽進行預(yù)測，并將預(yù)測所得的偽標簽作為學(xué)生流模型中無標簽數(shù)據(jù)的標簽進行仿監(jiān)督學(xué)習(xí)。這種學(xué)習(xí)機制，一方面可以使模型在學(xué)習(xí)有標簽數(shù)據(jù)的同時充分利用無標簽數(shù)據(jù)的信息；另一方面，可以有效提升數(shù)據(jù)的利用率。

1.2 FFRCNN網(wǎng)絡(luò)

Softteacher模型中的教師模型和學(xué)生模型采用的是由Faster R-CNN和FPN組成的FFRCNN目標檢測網(wǎng)絡(luò)。目標檢測任務(wù)通常分為一階段方法和二階段方法兩種，其中，一階段方法注重提升速度，二階段方法則注重提升精度。FFRCNN是經(jīng)典的二階段網(wǎng)絡(luò)。顧名思義，二階段網(wǎng)絡(luò)將目標檢測任務(wù)分為兩個階段進行。第一階段先找出數(shù)據(jù)圖片中目標物體的anchor錨框，然后將待測物體從背景中分離出來；第二階段則對前景內(nèi)的物體進行分類。

FFRCNN模 型 可 分 為backbone、neck和head三個部分，其結(jié)構(gòu)如圖2所示。其中，backbone部分使用深度為101層的Resnet網(wǎng)絡(luò)［7］提取特征；neck為backbone和head之間的連接部分，采用特征金字塔結(jié)構(gòu)，通過對每一層不同尺度的特征進行保留，可以更好地利用backbone提取的特征，并有效避免特征丟失；head部分利用neck層輸出的特征對檢測目標進行預(yù)測和分類，與FFRCNN模型中的RPN和Roi pooling相對應(yīng)。

1.3 損失函數(shù)及框抖動算法

Softteacher中采用的損失函數(shù)為

式（1）中的Ls和Lu分別表示帶標簽數(shù)據(jù)和不帶標簽數(shù)據(jù)的損失，系數(shù)α表示無監(jiān)督教師模型的指導(dǎo)貢獻度。

教師機制通過教師模型生成的偽標簽指導(dǎo)學(xué)生模型學(xué)習(xí)無標簽數(shù)據(jù)的特征，其產(chǎn)生的預(yù)測結(jié)果即為無標簽數(shù)據(jù)的偽標簽。用偽標簽的分類損失對學(xué)生模型的損失函數(shù)進行加權(quán)，可以起到指導(dǎo)學(xué)習(xí)的作用。

教師模型和學(xué)生模型對應(yīng)的損失函數(shù)分別為

式中的Iil表示第i幅有標簽的圖像，Iiu表示第i幅無標簽的圖像，Lcls為分類損失，Lreg為框回歸損失，Nl和Nu分別表示有標簽和無標簽圖片的數(shù)量。

對于目標檢測偽框的生成，Softteacher采用框抖動［8］（Box Jittering）進行篩選。傳統(tǒng)半監(jiān)督學(xué)習(xí)通過分類置信度值對預(yù)測偽框進行評價和篩選，并將分類置信度高的偽框作為最終的篩選結(jié)果。但文獻［8］和文獻［9］證明，標簽的篩選不能單一地由置信度的高低來評判，因為置信度較低的預(yù)測結(jié)果中同樣存在對模型訓(xùn)練有利的可靠結(jié)果。因此，采用框抖動中的方差濾波對偽標簽進行篩選可以有效改善偽標簽的可靠性。以下是用來篩選抖動框的方差濾波算法：

式（4）中σk是提取抖動框集合{bi,j}中第k個坐標的標準推導(dǎo)規(guī)則，是σk的歸一化，h(bi)和w(bi)分別為候選框bi的高和寬，為候選框bi的抖動框回歸方差均值，也是抖動框生成的依據(jù)。

2 Softteacher模型改進

對Softteacher模型的改進包括兩個方面：一是對FFRCNN網(wǎng)絡(luò)的改進，采用了特征融合的方法，即將原有的串行結(jié)構(gòu)改為并行多分支結(jié)構(gòu)，對特征進行多次提取后再對應(yīng)相加進行融合，以避免FFRCNN網(wǎng)絡(luò)由于數(shù)據(jù)特征不明顯所導(dǎo)致的網(wǎng)絡(luò)結(jié)構(gòu)中特征丟失的問題，降低數(shù)據(jù)在訓(xùn)練過程中特征的丟失率；二是對偽標簽生成規(guī)則的改進，采用了特征分離的方法，即通過并行多分支結(jié)構(gòu)多次生成偽標簽，然后利用多次偽標簽結(jié)果間的特征值不穩(wěn)定性調(diào)整偽標簽，以實現(xiàn)通過特征分離來增強偽標簽可靠性和確定性的功能。

2.1 FFRCNN網(wǎng)絡(luò)改進

鑒于FFRCNN網(wǎng)絡(luò)自身的特性以及帶鋼表面缺陷特征復(fù)雜及難分辨的特點，對FFRCNN網(wǎng)絡(luò)的改進需要從多尺度特征融合的角度，分別對backbone、neck及head三部分進行優(yōu)化實現(xiàn)。核心在于將特征提取的串行結(jié)構(gòu)改為并行多路分支結(jié)構(gòu)，并將之融合。

在Softteacher模型的FFRCNN網(wǎng)絡(luò)中，C1由7×7的卷積核、64層通道、步數(shù)為2，以及加邊數(shù)padding為3的卷積塊組成，后經(jīng)下采樣層輸出到從左到右的四層殘差模塊中，這四層殘差模塊分別對應(yīng)于圖2中的C2-C5部分。在neck部分的特征金字塔結(jié)構(gòu)中，其第一層P2-P5是由對應(yīng)的C2-C5進行1×1的卷積操作，同時對P5至P2經(jīng)過下采樣操作后與對應(yīng)的P結(jié)構(gòu)相加得到；第二層P2-P5則由對應(yīng)第一層的P2-P5進行3×3卷積獲得，而P6則通過在P5上使用1×1步長為2的最大池化進行下采樣后得到。head部分的輸入為最后一層的P2-P6，這一層所有的通道數(shù)都為256，因此可進行融合，將其進行3×3加邊數(shù)padding為1的感興趣區(qū)域提取操作后分為分類cls和回歸reg分支，進行1×1的卷積操作，可分別得到分類和框預(yù)測的預(yù)測結(jié)果。改進的Softteacher模型中的FFRCNN網(wǎng)絡(luò)如圖3所示，改進內(nèi)容涉及backbone、neck和head三個部分。backbone的構(gòu)造如表1所示，為Resnet101結(jié)構(gòu)。其中，表1中的C1-C5對應(yīng)于圖2和圖3中的C1-C5。

表1 Resnet101詳細構(gòu)造

backbone的改進源于對網(wǎng)絡(luò)的深度和寬度的實驗。為降低特征丟失率，對backbone的主干網(wǎng)絡(luò)進行了深度和寬度的增加，并將原有的串行結(jié)構(gòu)改成了并行的多分支結(jié)構(gòu)，以實現(xiàn)對特征圖的多尺度特征融合。首先，對共享的C1部分增加寬度，將其由原來的一層變?yōu)槿龑?，旨在對特征進行多次提??；其次，對殘差模塊（C2-C5）擴展寬度，將其由原來的一層擴展為三層，輸出則采用三次結(jié)果相加的策略，可對輸入特征圖空間的維度進行有效壓縮；最后，聚合空間信息，將不同次提取的特征相結(jié)合，實現(xiàn)多路特征融合，減少特征丟失。

neck部分的改進源于對特征金字塔寬度影響的實驗，改進后的neck結(jié)構(gòu)如圖4所示。實驗首先將原來的一層寬FPN增加為兩層，然后對圖3中的C2-C5特征分別進行多分支特征提取，最后將分支結(jié)果相加并均值化，其目的是防止特征值域溢出。這樣的操作由于特征金字塔寬度的增加以及融合了多個尺度的特征而減少了特征的丟失。

改進后的FFRCNN網(wǎng)絡(luò)會在neck部分生成P2-P6的特征圖，并將其輸入到head。head將輸入的特征圖通過RPN生成特征圖的候選區(qū)域，而后通過對由感興趣區(qū)域提取的特征圖進行池化得到最終的特征圖，并用于分別預(yù)測分類和框結(jié)果。在原h(huán)ead的基礎(chǔ)上增加感興趣區(qū)域特征提取的寬度，并進行兩次感興趣區(qū)域特征的提取后，先將兩次提取的特征進行融合，然后再進行最后的全連接層預(yù)測。改進后的head如圖3中的head部分所示。

2.2 偽標簽生成規(guī)則改進

半監(jiān)督學(xué)習(xí)的難點在于如何評價偽標簽生成的可靠性。在已有的偽標簽生成方法［10-14］中，大多都以高閾值對偽標簽進行硬篩選，導(dǎo)致分數(shù)低的結(jié)果無法對模型產(chǎn)生影響。而實際的情況是，偽標簽分類分數(shù)的高低與框定位精度之間的關(guān)系并不表現(xiàn)為強正相關(guān)。因此，采用硬篩選方法所生成的偽標簽并不可靠。

收集候選偽框的抖動框方法由Softteacher提出［6］，該方法用抖動框?qū)慰蜻M行回歸方差計算，并通過回歸方差對偽框進行校正，有效改善了偽標簽的可靠性。

抖動框的選取依賴于感興趣區(qū)域特征的提取，而多次提取的結(jié)果之間有較小的振動，因此，通過對比兩次抖動框回歸的結(jié)果，并用兩次回歸方差間的差值對抖動框進行校正調(diào)整，可以有效減小抖動框抖動帶來的誤差，進一步增強抖動框的可靠性。

基于上述考慮，偽標簽生成規(guī)則的改進采用了特征分離的策略。首先，構(gòu)建了并行的多分支結(jié)構(gòu)，用以對感興趣區(qū)域的特征進行提取；其次，在框抖動算法的基礎(chǔ)上，通過增加偽標簽對比機制，對偽標簽進行軟篩選，提升偽標簽的可靠性。

由于改進后的偽標簽生成規(guī)則利用了無標簽數(shù)據(jù)不同預(yù)測結(jié)果特征圖之間特征值的差異性，而這種差異性能夠?qū)⒕哂胁煌A(yù)測結(jié)果的特征分離開來，并形成對比，因此，計算兩者之間的損失可得到預(yù)測結(jié)果特征圖之間的不可靠性，將該不可靠性與原有的框抖動算法形成的損失進行加權(quán)，可進一步降低不可靠性，以下是生成偽標簽時評價偽標簽不可靠性的公式：

式（6）中的Luncertain代表生成的偽標簽的不可靠性，是對偽標簽進行篩選的依據(jù)，是框抖動算法中進行方差回歸得到的歸一化結(jié)果，則是兩次歸一化結(jié)果的差值計算，用以提取兩次結(jié)果之間的不同特征間的振動，進一步減少生成偽標簽的不確定性。

3 實驗與結(jié)果分析

實驗擬驗證以下兩點：

（1）相比于半監(jiān)督學(xué)習(xí)方法STAC、Selftraing和Unbiased-teacher，Softteacher方法在半監(jiān)督算法中具有優(yōu)勢，借鑒Softteacher思想，通過對其改進并將改進的方法用于帶鋼表面缺陷檢測具有理論與實踐意義；

（2）改進后的Softteacher模型在帶鋼表面缺陷檢測上可行且有效。

3.1 實驗環(huán)境

為了實驗的便捷性和可依托性，本文的實驗均在線上服務(wù)器進行，采用了python語言、pytorch框架、mmdetection開源框架和Softteacher模型的開源框架。具體配置見表2。

表2 實驗環(huán)境配置

3.2 不同半監(jiān)督方法性能比較

半監(jiān)督學(xué)習(xí)方法STAC、Self-traing和Unbiased-teacher性能之間的比較結(jié)果見表3，其中mAP為平均準確度均值。

表3 不同半監(jiān)督方法的比較

實驗數(shù)據(jù)采用coco2017中所有的帶標簽數(shù)據(jù)。由于部分半監(jiān)督偽標簽?zāi)繕藱z測方法對實驗環(huán)境要求較高，表3中的數(shù)據(jù)引用了文獻［5-6］及文獻［15］中的實驗結(jié)果。

實驗結(jié)果表明，Softteacher的半監(jiān)督平均準確度均值最高。

3.3 Softteacher改進方法消融與橫向?qū)Ρ葘嶒?/h3>

實驗使用開源NEU-DET鋼材表面缺陷數(shù)據(jù)集中的NEU-DET數(shù)據(jù)集和NEU-CLS-64數(shù)據(jù)集。NEU-DET數(shù)據(jù)集用作bbox目標檢測數(shù)據(jù)集，包含六種缺陷，對應(yīng)缺陷的圖像示例如圖5所示。其中，每種缺陷類有300張圖像，共計1800張；而NEU-CLS-64包含九種缺陷類型的無標簽數(shù)據(jù)集，共計7226張。

為方便比較，實驗時對NEU-CLS-64中的數(shù)據(jù)只考慮其與NEU-DET數(shù)據(jù)集中缺陷類型相同的六種缺陷。首先，將NEU-DET數(shù)據(jù)集分為訓(xùn)練集和驗證集，劃分比例為1.7∶1，劃分后的數(shù)量分別為訓(xùn)練集1134張，驗證集666張；將NEU-CLS-64數(shù)據(jù)集中的數(shù)據(jù)視為無標簽數(shù)據(jù)，數(shù)量為6292張。

消融實驗對比結(jié)果見表4。表4中mAP50為當預(yù)測框和真實框（或偽框）重疊度IoU大于等于50且小于75時平均帶鋼表面缺陷檢測精確度均值mAP的值；mAPs為小目標平均精確度均值；mAPml為中目標和大目標平均精確度均值；Acc代表帶鋼數(shù)據(jù)檢測精確度。

表4 消融實驗對比 %

從 表4中 的baseline和baseline+uncertain的對比結(jié)果可以發(fā)現(xiàn)，采用改進后的偽標簽生成規(guī)則比原模型的mAP50和mAPs分別提高0.9和1.7個百分點，mAPml下降1.3個百分點，Acc保持不變。該結(jié)果說明，結(jié)合了特征分離的偽標簽生成規(guī)則，能夠在檢測精確度不變的情況下，提升小目標精確度的均值，且對整體性能有正向效果。

表4中baseline+uncertain與baseline+uncertain+FFRCNN的對比結(jié)果顯示，采用特征融合機制改進后的FFRCNN網(wǎng)絡(luò)對模型整體性能有提升效果。相比于原模型的mAP50、mAPs和Acc分別提高0.6、1.7和1個百分點。說明改進后的FFRCNN結(jié)構(gòu)，不僅能夠提升小目標精確度的均值，而且能夠有效提升檢測的精確度。

橫向?qū)Ρ葘嶒灥慕Y(jié)果如表5所示。將NEUDET數(shù)據(jù)集用于不同的半監(jiān)督方法時，使用unbiased-teacher方法的平均精度均值可達到38.1，而使用Softteacher模型的平均精度均值可達到67，平均精度均值的顯著提升再次顯示了Softteacher模型的優(yōu)越性。

表5 橫向?qū)嶒瀸Ρ?%

與Softteacher模型相比，改進后Softteacher模型由于改進了特征融合機制，增加了特征分離機制，使其mAP50、mAPs和Acc都有所提升，分別提升了1.5、3.4和1個百分點。

綜上所述，對于具有小目標檢測特性的帶鋼表面檢測任務(wù)，改進后的Softteacher模型適用且有效。

4 結(jié)語

本文選擇半監(jiān)督學(xué)習(xí)的方式來檢測帶鋼表面的缺陷，采用了目前半監(jiān)督目標檢測領(lǐng)域內(nèi)效果最佳的Softteacher模型，旨在降低因標記大量圖像而帶來的高成本問題。在Softteacher模型框架不變的基礎(chǔ)上，對Softteacher中的教師和學(xué)生模型進行了改進，采用特征融合機制，通過將Softteacher模型中的FFRCNN網(wǎng)絡(luò)的串行結(jié)構(gòu)改為并行多分支結(jié)構(gòu)，避免了缺陷特征由于不明顯或不易辨識而導(dǎo)致特征丟失的問題；在原有框抖動算法的基礎(chǔ)上，通過增加基于特征分離的生成規(guī)則，提升了偽標簽的可靠性。在NEU數(shù)據(jù)集上進行的消融實驗和橫向?qū)Ρ葘嶒瀼牟煌慕嵌闰炞C了改進后的Softteacher模型的實用性與有效性。