吴冠荣，李元祥，王艺霖，陆雨寒，陈秀华

（上海交通大学航空航天学院，上海 200240）

0 引言

对金属表面存在的损伤进行分类是金属类工业产品质量检验和反馈工作中不可或缺的一环，通常需要有专业知识的人借助电镜等器材进行判断［1］。但是损伤类型多、视觉疲劳、工业流水线的压力等因素容易影响主观判断，人工分类的准确率忽高忽低。随着机器视觉技术的发展，神经网络对视觉特征的强大学习能力可以弥补人工分类的不足。

基于机器学习的金属损伤分类按照是否使用初始化参数，分为迁移学习方法和深度学习方法。迁移学习方法希望从ImageNet 等大型训练集中学习到最通用的特征，在目标数据集上进行微调［2］。而深度学习方法通过调整模型参数来拟合当前数据的特征分布［3］，或者通过加深模型层数，提高模型对多维特征的表达能力［4］。但金属损伤的纹理特征和常见的大型数据集差异很大，公开的预训练模型迁移效果有限，并且金属损伤种类繁多，一些偶发性、新产生的损伤不满足神经网络对训练数据量的需求，若直接使用神经网络进行有监督训练，模型易于过拟合、泛化性能差。因此，在很多应用场景下需要考虑小样本问题。

较早的小样本问题解决方案通常是学习合成伪数据［5］。这类方法依赖于扩充样本的质量，如果合成器效果一般，则容易引入噪声数据，效果有时不升反降［6］。目前，小样本分类研究聚焦于如何学习1 个更好的特征表示，使下游任务中即使只有少量标注信息，分类模型也能表现良好［7］。……