基于SAM视觉大模型的工业材料表面缺陷检测

工业产品制造过程中时常存在各种缺陷, 不仅影响产品质量, 也给企业带来经济损失。传统人工检测低效且高成本, 迫切需要建立自动化高效准确的缺陷检测系统。基于深度学习的现有方法多数专注于特定缺陷类型, 缺乏通用性和灵活性, 且需大量标注数据训练。为解决这一挑战, 本文将视觉大模型 SAM（Segment Anything Model）应用于工业材料表面缺陷检测任务, 通过对图像编码器和掩码解码器进行微调, 在电机磁瓦和钢轨两个缺陷数据集上进行实验评估, 结果显示微调后的 SAM 模型取得了优异表现, 最高平均交并比（mIoU）分别达到 0.512 和 0.655, 验证了其在面对复杂多变缺陷时的出色泛化能力, 尤其擅长检测微小缺陷, 为工业场景下提供了一种通用高效的新型缺陷检测方案。