近日，TIME实验室2021级硕士生王浩一篇论文“Global Context-based Self-Similarity Feature Augmentation and Bidirectional Feature Fusion for Surface Defect Detection”（作者：王浩，张芮凡，冯明尧，刘一琨，杨公平）被仪器和测量领域权威期刊IEEE Transactions on Instrumentation and Measurement （TIM）期刊录用，影响因子（IF）为 5.6。TIM由IEEE计算机协会主办，是国际仪器测量领域顶尖和著名学术期刊之一，属于中科院二区期刊和JCR一区期刊。

表面缺陷缺陷是工业生产中的重要环节，也是保证工业产品质量的必要环节。其目标是检测工业产品表面上的瑕疵部分（例如划痕、异物遮挡、颜色污染等）。在本文中，我们针对目前缺陷检测任务的中的缺陷尺寸变化大、对比度低、背景干扰强、类内差异大、类间差异小等问题，我们设计了一个深度学习模型，以实现缺陷的自动化检测。该模型首先将基于全局上下文的自相似性和空间关注相结合，增强缺陷特征，放大缺陷与背景之间的特征差异，提高弱缺陷的检测性能。其次，通过完成高层次和低层次特征的双向融合，实现对缺陷的整体感知。此外，我们设计了一种边缘加权损失(EWL)，通过增加缺陷区域在损失中的权重来增加缺陷区域的影响，并与变形卷积相结合，使网络主干能够准确提取全面完整的缺陷特征。我们在四个缺陷检测数据集上的实验结果表明，我们的方法有效且具有实时性。