工业多形态表面缺陷检测的缺陷感知不等深度网络(DAU-Net)设计与应用

《Chinese Journal of Mechanical Engineering》:Unequal deep learning for industrial surface defect detection with various vision morphologies

【字体: 大 中 小 】 时间:2026年03月30日 来源:Chinese Journal of Mechanical Engineering

编辑推荐:

  为了解决工业表面缺陷形态多变导致跨领域检测精度不足的难题,研究人员提出了缺陷感知不等网络(DAU-Net),集成了卷积与Transformer的优势,并设计了非对等损失函数。该网络在PCB、钢板、蚕茧三个跨领域缺陷数据集上均实现了优于现有方法的检测精度,为提升工业产品质量控制水平提供了新方案。

  
在现代化工业制造中,产品质量是生命线,而表面缺陷是影响产品性能、增加生产成本的关键因素之一。传统的人工检测方法不仅劳动强度大、耗时耗力,而且检测精度不稳定,难以满足大规模、高质量的生产需求。随着机器视觉技术的兴起,利用相机和计算机替代人眼和人脑进行缺陷检测成为主流。然而,工业表面缺陷检测(ISDD)的“硬骨头”在于缺陷形态的千变万化。同一行业内,不仅不同类型(类间)的缺陷在形状、大小、颜色上差异巨大,即使是同一类型(类内)的缺陷,其表现形式也可能各不相同。例如,在印刷电路板(PCB)上,损坏的导体通常微小,而划痕则往往呈细长状;在钢铁行业,麻点和压入氧化皮是常见的大范围缺陷,与PCB缺陷截然不同;在纺织业,坏茧通常呈现不规则的椭圆形。这种形态的多样性,对检测模型的鲁棒性和特征学习能力提出了极高要求,尤其在跨不同工业领域(跨领域)进行检测时,挑战更为严峻。如何提高对多种形态表面缺陷的检测精度,是工业质量控制领域亟待解决的核心问题。
为解决上述问题,由东华大学廖欣婷、张杰、王俊亮、张明志、吕生平组成的研究团队开展了一项主题为“工业多形态表面缺陷检测的不等深度学习”的研究。他们创造性地提出了一种缺陷感知不等网络(DAU-Net),旨在提升对跨领域、多形态工业表面缺陷的检测性能。该研究论文已发表在《Chinese Journal of Mechanical Engineering》上。
研究人员开展此项研究主要运用了以下几个关键技术方法:首先,构建了以ResNet50为基础、结合锚点无关(anchor-free)检测头的网络整体架构。其次,设计了缺陷感知全局表征模块(DAGR Module),该模块将卷积与Transformer相结合,以增强对大规模缺陷的长程依赖关系建模能力,并引入了缺陷感知交互计算策略,以较低计算成本聚合与缺陷高度相关的像素块。最后,提出了非对等损失函数(Unequal Loss),该函数基于对估计关键点与真实关键点之间欧氏距离的非对等函数,在中心点偏移回归和边界框回归中,为更重要的估计关键点分配更大的回归误差权重,从而在模型训练中引导其更关注与表面缺陷高度相关的边界框学习。实验使用了自制的PCB缺陷数据集(PCBSDD)、公开的钢铁缺陷数据集(NEU)和自制的蚕茧缺陷数据集(COCOON)进行综合评估。
研究结果如下:
  • •
    网络整体结构有效:DAU-Net的网络结构整合了局部-全局块、恒等块和锚点无关头部,通过引入DAGR模块增强了模型对多形态缺陷的特征表征能力。
  • •
    DAGR模块提升全局建模:DAGR模块通过点态卷积层、展开层、Transformer单元、排序单元和折叠层的组合,有效克服了局部卷积在建模大规模表面缺陷时的局限性。其内部的缺陷感知交互计算策略能够自适应地关注缺陷像素,以更低的计算复杂度实现完整的交互计算。
  • •
    非对等损失优化训练:通过定义非对等函数,根据估计关键点与真实关键点的距离差异其重要性,并将其整合到成本敏感的非对等损失中。该损失在热图分类、中心点偏移回归和边界框回归中,加强了对重要估计关键点的学习,从而提高了检测精度。超参数实验确定成本因子c的最佳值为10。
  • •
    在跨领域数据集上表现优异:在PCBSDD、NEU和COCOON三个数据集上,DAU-Net的检测精度(以平均精度均值mAP衡量)均优于EfficientDet、YOLOv4、DETR和YOLOv7等先进模型。具体而言,在PCBSDD上达到96.66% mAP,在NEU上达到83.06% mAP,在COCOON上达到99.23% mAP,同时保持了可观的检测速度(FPS)。
  • •
    消融实验验证组件贡献:消融实验表明,DAGR模块和非对等损失均能独立且显著提升基线模型的检测精度,二者结合时效果最佳,证实了它们对提升多形态缺陷检测性能的有效性和互补性。
结论与讨论:本研究成功提出并验证了DAU-Net,一个专为工业多形态表面缺陷检测设计的深度网络。其核心贡献在于:1) 通过集成卷积与Transformer的局部-全局块,克服了传统CNN在全局建模上的不足;2) 设计的缺陷感知交互计算策略,实现了对缺陷特征的高效、低成本全局感知;3) 引入的非对等损失函数,针对回归任务中的关键点重要性进行差异化学习,优化了模型训练过程。综合实验证明,DAU-Net在包含PCB、钢铁、蚕茧在内的跨领域、多形态缺陷数据集上,均能实现高精度的检测,显著优于现有主流方法。这项研究为解决工业表面缺陷形态多变导致的检测难题提供了有效的技术方案,通过增强模型的全局理解能力和精细化训练策略,提升了检测系统在复杂真实工业场景中的鲁棒性和准确性。未来工作可着眼于进一步提升模型的实时性和轻量化,以满足大规模工业化生产的检测需求。本研究由国家自然科学基金、上海市科技计划等项目资助。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号