arXiv 论文提出洗发水瓶缺陷检测基准 Bottle-SKU 与 ProDM…
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载基准要解决的问题
工业洗发水瓶表面缺陷检测需要覆盖大量 SKU，而瓶体几何、材质、标签布局、反射特性与成像条件的差异，会让同一类缺陷在不同 SKU 上呈现不同外观。现有工业缺陷数据集通常只给缺陷标注，不提供产品变体身份，因此难以在接近真实生产的条件下研究区分 SKU 的检测。论文据此构建 Bottle-SKU，把实例级缺陷标注与 SKU 身份放在同一套数据里，使共享缺陷识别与 SKU 特异外观变化可以被分开评估。
数据规模与构成
Bottle-SKU 包含 13,119 张图像、20,419 个实例级边界框、七类缺陷以及 48 个瓶体 SKU。这一组合让评测可以同时考察两件事：模型能否稳定识别跨 SKU 共有的缺陷类别，以及能否适应某个 SKU 特有的外观分布。对做质检视觉的读者来说，值得关注的是它把 SKU 身份作为显式变量纳入标注体系，而不只是增加图片数量。
ProDMM 的调制机制
ProDMM 先从训练图像为每个 SKU 构造一个视觉原型，再对每个输入预测软 SKU 分布，而不是硬性指定归属。由原型条件化得到的表示会为视觉骨干动态生成低秩 Query/Value 调制，并为缺陷文本到视觉的注意力提供残差条件；预训练的 Grounding DINO 检测通路保持不变。训练时联合优化检测、SKU 域分类与调制正则三项目标，使调制既贴合 SKU 外观，又不偏离检测任务本身。
验证范围
实验在 Bottle-SKU 与公开的 GC10-DET-SKU 金属表面缺陷数据集上进行，后者用于检验该原型引导域条件化思路是否可迁移到瓶体之外的表面缺陷场景。论文结论是这种条件化方式对工业表面缺陷检测有效。材料未给出具体精度数值与提升幅度，实际效果需查阅原文实验部分。
为什么值得看
做工业质检视觉检测的团队可关注其多 SKU 数据组织方式与原型条件化调制思路，以及新公开基准。
信源1 家
关键事实
相关 · 论文
本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。