针对表面缺陷类别分布不均衡，现有模型难以有效检测稀有缺陷数据的问题，TL-SDD通过构建MSDD模型并进行两阶段的训练提高对稀有缺陷的检测效果。该方法通过聚合特征融合模块和特征重加权模块，实现特征的有效表达，通过距离度量的方式实现缺陷的快速分类，通过两阶段的训练实现从常见缺陷到稀有缺陷的知识迁移，实现稀有缺陷的有效检测。
TL-SDD算法基于Python3.6+环境下的numpy、pytorch-1.0等依赖库开发。算法输入为表面缺陷样本，输出则为缺陷位置、缺陷类别等。该算法支持在智能制造业的表面缺陷数据集上进行少样本的表面缺陷检测。此外在代码的实现过程中，参考了Snell等、Lin等第三方开源资源。
算法名称
| 基于迁移学习的少样本表面缺陷检测方法
（A Transfer Learning-Based Method for Surface Defect Detection with Few
Samples, TL-SDD）
|
算法接口
| python TL-SDD.py
|
输入
| 表面缺陷样本
|
输出
| 缺陷位置，缺陷类别
|
支持数据集
| 表面缺陷数据集
|
依赖库
| Python 3.6、numpy、pytorch-1.0
|
参考资源
| Snell等、Lin等 |
