对深度学习而言，“小数据集”一直是一个绕不开的难题。模型往往需要大量标注样本才能稳定学习。但在材料科学、半导体制造等场景中，高质量显微图像获取成本高，缺陷标注又依赖专业判断，真正可用于训练的数据常常十分有限；这一问题在嵌段共聚物定向自组装（DSA）等新兴技术中尤为突出：其缺陷往往具有随机性与拓扑复杂性，而标注数据稀缺、类别严重不平衡，严重制约了深度学习模型的实际落地。传统数据增强或生成式方法（如GAN）往往破坏物理拓扑一致性，导致缺陷类型发生改变；现有目标检测框架又依赖昂贵且边界模糊的边界框标注。如何在小样本、多标签、高不平衡条件下实现高可靠性的缺陷识别，成为亟待解决的挑战。

近日，复旦大学高分子科学系、高分子科学智能研究中心李剑锋课题组提出一种实用且可迁移的深度学习框架。该框架以拓扑保持的弹性形变（Topology-Preserving Elastic Deformation, TPED）增强策略为核心，在严格维持物理一致性的前提下引入真实几何变异，有效缓解类别不平衡；并与轻量级注意力引导的Hybrid Pretrained Learner（基于EfficientNet-B0 + Feature Pyramid Network + CBAM，双通道输入与集成学习）深度融合。框架在仅359张标注的线-空DSA SEM数据集上取得优异表现（micro-F1 0.949，macro-F1 0.940），对“无缺陷 vs 有缺陷”这一关键判别达到F1=0.987，接近人类专家水平；同时分类框架在独立木材缺陷数据集上成功迁移，验证了跨领域适应性。

图1. 面向小样本不平衡数据的通用多标签分类框架：TPED增强与集成学习结合，Hybrid Pretrained Learner架构，以及DefectMaster Pro无代码GUI。

本研究的核心贡献包括：（1）TPED增强：通过稀疏控制点位移与薄板样条插值生成局部形变场，严格施加无折叠约束（det(∇φ)>0），避免弹性形变导致图像折叠破坏拓扑结构，显著扩充少数类样本并保证缺陷类别一致性；（2）HPL架构：多尺度特征融合与通道-空间注意力协同，双通道（灰度+二值化）输入强化拓扑边界感知，五个独立模型集成有效抑制小样本方差；（3）开源无代码GUI工具DefectMaster Pro：覆盖从标注、训练到评估的全流程，显著降低非专家使用门槛。

消融实验与Grad-CAM可视化进一步证实了各组件的协同价值：TPED与常规增强对性能提升最为关键，FPN与CBAM则显著改善了多尺度特征与稀有缺陷的识别能力。错误分析显示，模型能够准确定位真实缺陷区域，少数失败主要源于极低对比度信号的置信度校准不足，而非特征提取盲区。

图2. DSA数据集与TPED增强流水线（上左）、增强前后类别分布对比与集成模型在测试集上的优异表现（上右）、Grad-CAM模型注意力可视化（下左）以及跨领域（木材缺陷）迁移结果（下右）。

该工作为数据受限的材料显微成像与工业检测提供了可扩展、高精度的通用解决方案。相关成果以“Topology-Preserving Elastic Deformation Augmentation Enables Robust Defect Detection in Data-Scarce Industrial Imagery”为题发表于ACS旗下《ACS Macro Letters》。复旦大学高分子科学系博士生刘之菡为第一作者，李剑锋教授为通讯作者。作者感谢国家自然科学基金、国家重点研发计划、上海市科委、复旦大学高分子科学系、聚合物分子工程全国重点实验室、高分子科学智能研究中心的大力支持。

论文信息：Zhihan Liu, Jianfeng Li. Topology-Preserving Elastic Deformation Augmentation Enables Robust Defect Detection in Data-Scarce Industrial Imagery. ACS Macro Letters 2026 15 (7), 953–961.

全文链接：https://doi.org/10.1021/acsmacrolett.6c00144

开源资源：https://github.com/zokaraa/DefectMaster-Pro提供DefectMaster Pro源码与示例（含GUI、TPED实现、DSA与木材数据集等）