这张图片展示了多场景缺陷检测模型的三阶段训练框架，详细说明了从无标注到有标注数据的递进训练过程。S1（预训练视觉主干）：利用无标注工业图像，提取方向梯度直方图（HOG）并按图块遮掩部分特征。输入ViTDeT主干后，由主干与解码器重建被遮掩的HOG。该阶段完成后，仅保留主干权重，移除掩码解码器。S2（预训练检测头）：输入无标注图像并生成候选框。两路增强视图同步变换候选框后输入共享主干，再分别进入DINO检测头。两路特征进行比对，其中一路通过多层感知器学习回归伪框位置。该阶段保留检测头权重（主干冻结）。S3（端到端微调）：输入带有人工框与类别的训练图像。组合S1主干权重与S2检测头权重，比较预测框、类别与人工标注，通过反向传播联合更新整个模型。最终输出多场景缺陷的位置与类别。图底部以太阳能电池实施为例，展示了386,913张总图像（含376,000张无标注图像供S1/S2使用，10,913张有标注图像分为训练与测试）。内容适合计算机视觉算法工程师、工业缺陷检测研发人员、自监督学习研究者及模型微调策略方向的研究生阅读参考。