近日，數之聯算法研究中心團隊在SCI期刊《Applied Sciences》的《Recent Advances in Big Data Analytics》專題上發表了一篇學術論文，題目為《Balanced Loss Function for Accurate Surface Defect Segmentation》。論文第一作者是數之聯算法工程師謝洲洋，通信作者是數之聯首席算法官陳端兵。論文其他作者包括：舒暢（西南技術工程研究所）、傅彥、周俊臨。

論文深入研究了基于深度學習的表面缺陷語義分割模型訓練中存在的損失函數不平衡問題，并提出了一種新穎的、具有更好訓練效果的平衡損失函數。

論文下載鏈接：https://www.mdpi.com/2076-3417/13/2/826

表面缺陷自動檢測是一項對各種工業產品生產與質量控制具有重大價值的計算機視覺技術。其中，表面缺陷的圖像語義分割技術能提供對缺陷的細粒度識別結果，有助于對缺陷面積、損壞程度的精準分析。對常用的深度學習方法而言，表面缺陷的語義分割具有較大的難度，往往存在訓練收斂困難、訓練結果不穩定、邊緣和小目標識別效果較差等問題。而訓練過程中的損失函數不平衡問題是一個重要的誘因。

針對這一問題，該論文對表面缺陷分割模型訓練中的損失函數不平衡問題進行了深入研究，并提出一種創新的平衡損失函數（Balanced Loss Function）。研究發現，模型訓練過程中經常存在三種類型的損失函數不平衡問題，即標簽不平衡、邊界不平衡、難易樣本不平衡。這些問題共同導致了模型訓練困難、性能不穩定等問題。因此，該論文提出了平衡損失函數，包括了動態類別加權（Dynamical Class Weighting）、標簽混淆抑制（Label Confusion Suppression）、截斷交叉熵損失函數（Truncated Cross-entropy Loss）等三種機制。

實驗結果表明，相比于常用的大部分語義分割損失函數，論文提出的平衡損失函數具有更好的訓練效果，大幅提升了模型的表面缺陷分割準確率。

《Applied Sciences》是一本關于應用自然科學各個方面的國際性、同行評議、開放獲取期刊，由MDPI半月刊在線出版，影響因子2.838（2022）。