一种基于特征增强的少样本轴承表面缺陷图像分类技巧Feature Enhancement-Based Few-Shot Bearing Surface Defect Image

1. ​概述​

本文提出了一种基于特征增强的少样本轴承表面缺陷图像分类方法，旨在解除工业环境中轴承缺陷样本稀缺导致的分类难题。该方法结合度量学习框架，设计了局部特征提取层和相似特征注意力模块，显著提升了少样本（如5-way 1-shot和5-way 5-shot）场景下的分类精度。实验表明，在公开数据集（miniImageNet）和自制的轴承缺陷数据集上，该方法分别达到76%和88%的分类准确率，验证了其在实际工业应用中的有效性。

---

2. ​背景与动机​

轴承表面缺陷（如notch、reddish rust、scratching等）在工业检测中面临两大挑战：

• ​数据稀缺性​：自动化生产降低了缺陷发生率，导致样本量不足。
• ​数据不平衡性​：缺陷的位置、形状和大小随机分布，加剧了样本不均衡障碍。
  传统方法（如灰度变换、阈值分割）缺乏鲁棒性，而深度学习（如Faster R-CNN、YOLOv5）需大量标注数据，不适用于实际工业场景。为此，作者引入少样本学习（Few-Shot Learning）​​ 技术，借鉴人类学习机制，利用有限样本快速适应新任务。

---

3. ​核心方法​

方式基于原型网络（Prototypical Networks）改进，包含四个模块：特征嵌入网络、全局-局部特征融合（GLF）、相似特征注意力（SFA）和自适应度量网络。结构如下：

​3.1 特征嵌入网络（Feature Embedded Network）​​

使用Conv64F结构（四层卷积块），将输入图像（84×84）转换为全局特征矩阵。承受集（support set）的类原型中心通过均值计算：
GSI​​=K∑j=1K​F(Ij​)​
其中 F() 为特征嵌入函数，K 为每类样本数。

Fig. 2Structure diagram of feature embedded network module

​3.2 全局-局部特征融合模块（GLF）​​

为解决少样本特征信息不足的问题，设计局部特征提取层：

• ​局部特征提取（LFE）​​：通过滑动窗口（尺寸 M×N) 提取全局特征的邻域块，计算自相关矩阵 R=G⊙D，增强细节（如纹理、边缘）。
• ​特征融合​：将全局特征 G 与局部特征 L 相加，生成融合特征 S（支持集）和 Q（查询集）：
  S=Gs​+Ls​,Q=Gq​+Lq​Fig. 3