一种基于查询的缺陷检测器增强策略：通过自适应空间特征重组以及跨阶段查询注入技术

《ADVANCED ENGINEERING INFORMATICS》：An enhanced strategy for query-based defect detector via adaptive spatial feature Reorganization And cross-stage query Injection

小缺陷检测中的模型性能提升策略及实验验证。本文提出RAI增强策略，包含自适应空间特征重组模块（ASFR）和跨阶段查询注入模块（CQI），前者通过频率均衡、自适应卷积核和空间特征重组提升小缺陷特征提取，后者纠正训练偏差和级联误差。实验在竹片缺陷、NEU-DET和HuggingFace表面缺陷数据集上验证，mAP50分别提升1.7%、2.4%和2.8%。

　　在现代制造业中，产品的表面质量直接关系到其整体性能和使用寿命。随着工业自动化水平的不断提升，表面缺陷的检测已成为确保产品质量的重要环节。然而，面对复杂多变的生产环境，现有缺陷检测技术在处理微小缺陷时仍面临诸多挑战。例如，传统的检测方法如湿法磁粉检测、涡流检测、超声波检测等虽然在特定场景下表现出色，但它们往往依赖于专门的设备，适应性差，且难以满足实时检测的需求。此外，这些方法在处理图像数据时存在局限性，无法有效捕捉微小缺陷的细节信息。

近年来，随着计算机视觉技术的发展，基于深度学习的表面缺陷检测方法逐渐成为研究热点。这些方法通过构建强大的特征提取机制，能够在复杂背景下准确识别微小缺陷。然而，尽管已有多种模型被提出，如YOLOv4、YOLOv5、DETR及其变种DAB-DETR和Adamixer等，它们在实际应用中仍然存在一些关键问题。例如，某些模型在提取微小缺陷特征时，因特征采样固定而无法适应图像中局部与全局特征的差异，导致信息丢失；部分模型在训练过程中存在焦点偏差，影响了检测精度；还有些模型对不同环境下的缺陷识别能力有限，难以实现跨场景的泛化。

为了解决上述问题，本文提出了一种新的增强策略，称为“渐进式特征增强策略（RAI）”。该策略主要由两个部分组成：第一部分是特征信息增强模块（ASFR），第二部分是后续阶段的校正与解释模块。通过这两个模块的协同作用，RAI能够在不同工业场景下提升模型对微小表面缺陷的识别能力，同时保持较高的计算效率。

在特征信息增强模块中，我们引入了三个关键组件：频率平衡（FB）模块、自适应扩张卷积核（ADCK）模块和空间特征重组（SFR）模块。频率平衡模块通过将图像特征映射到频率域，并利用不同频率的掩码对低频和高频成分进行平衡，从而增强模型对不同频率特征的感知能力。这一方法不仅能够提高对微小缺陷的识别精度，还能够在不增加模型复杂度的前提下，提升其对多尺度缺陷的适应性。自适应扩张卷积核模块则通过动态调整卷积核的扩张率，使得模型能够更灵活地捕捉图像中不同区域的特征，尤其适用于背景复杂、缺陷微小的场景。空间特征重组模块则负责对提取的特征进行优化，通过去除冗余信息，提高特征表达的清晰度和区分度，从而增强模型的检测能力。

在后续阶段的校正与解释模块中，我们引入了跨阶段查询注入（CQI）机制。该机制通过将不同阶段的查询信息整合到一个存储池中，然后根据检测需求选择性地将这些信息注入到下游的解码阶段，从而优化模型的训练过程。这一方法不仅能够有效解决传统模型在解码阶段存在的训练焦点偏差问题，还能够减少模型的参数数量，提升计算效率。同时，CQI机制还能提供更细粒度的缺陷特征解释，使得模型在检测过程中能够更准确地定位缺陷，并区分不同类型的缺陷。

为了验证RAI策略的有效性，我们将其应用于三种主流的表面缺陷检测模型：Deformable-DETR、DAB-DETR和Adamixer。这些模型分别基于Transformer架构，具有较强的端到端检测能力。我们使用了三个不同的数据集进行实验，包括一个自建的竹片缺陷数据集、东北大学提供的缺陷数据集以及huggingface平台上的表面缺陷数据集。实验结果显示，RAI策略在竹片缺陷测试集上将mAP50指标提升了1.7%至12.5%，在东北大学缺陷测试集上提升了2.4%至7.8%，在huggingface表面缺陷测试集上则提升了2.8%至4.0%。这些结果表明，RAI策略在提升模型检测能力方面具有显著效果，同时在不同数据集上的表现也证明了其良好的泛化能力。

除了提升检测精度，RAI策略还在计算效率方面表现出色。通过优化特征提取和解码过程，RAI能够在不增加过多计算资源的情况下，实现更高的检测性能。这使得该策略在实际工业应用中更具可行性，尤其是在资源受限的嵌入式设备上。此外，RAI策略还能够有效应对不同工业场景下的数据变化，如光照条件、背景复杂度、缺陷类型等，从而提高模型在实际应用中的鲁棒性。

在实际应用中，表面缺陷检测不仅需要高精度，还需要快速响应。因此，模型的实时性也是一项重要的考量因素。RAI策略通过减少冗余计算和优化特征表达，使得模型能够在较短的时间内完成缺陷检测任务，从而满足工业生产中对实时检测的需求。同时，该策略还能够降低模型的参数数量，减少存储空间和计算资源的消耗，这对于大规模部署和应用具有重要意义。

本文的研究还揭示了当前表面缺陷检测技术中存在的不足。例如，大多数现有方法在处理微小缺陷时，由于特征提取和采样的固定性，无法有效适应图像的局部与全局特征变化，导致信息丢失。此外，一些模型在训练过程中存在焦点偏差，影响了检测的准确性。这些问题的存在限制了现有技术在复杂工业环境中的应用效果。因此，本文提出的RAI策略不仅能够解决这些问题，还能够为未来表面缺陷检测技术的发展提供新的思路和方法。

从更广泛的角度来看，表面缺陷检测技术的进步对于推动制造业智能化具有重要意义。随着智能制造的不断发展，对产品质量的要求也越来越高。表面缺陷检测作为质量控制的关键环节，其技术水平直接影响到产品的整体质量。通过引入RAI策略，我们不仅提升了模型的检测能力，还增强了其适应性和泛化能力，使其能够在不同工业场景下稳定运行。这为制造业的智能化转型提供了有力的技术支持。

此外，本文的研究还强调了跨场景数据训练的重要性。通过在不同工业场景下的缺陷数据集上进行训练和验证，我们发现模型的检测能力能够得到显著提升。这表明，单一场景下的训练数据难以满足复杂工业环境的需求，而跨场景数据的引入能够有效提高模型的鲁棒性和泛化能力。因此，在未来的表面缺陷检测研究中，应更加注重数据的多样性和场景的广泛性，以确保模型在实际应用中的有效性。

在技术实现方面，RAI策略的引入不仅提升了模型的性能，还简化了模型的结构。通过将特征增强和解码优化结合起来，我们能够在不增加过多计算负担的情况下，实现更高的检测精度。这种简洁高效的模型设计，使得RAI策略在实际应用中更具优势，尤其是在资源受限的工业设备上。同时，该策略的模块化设计也便于后续的扩展和优化，为其他类型的缺陷检测任务提供了借鉴。

综上所述，本文提出的RAI策略为表面缺陷检测提供了一种新的解决方案。通过频率平衡、自适应扩张卷积核和空间特征重组等模块的协同作用，RAI能够在不同工业场景下有效提升模型的检测能力，同时保持较高的计算效率。此外，跨阶段查询注入机制的引入，使得模型在训练和检测过程中能够更准确地捕捉缺陷信息，减少参数数量，提高检测精度。这些成果不仅为当前的表面缺陷检测技术提供了新的发展方向，也为未来的工业智能化应用奠定了坚实的基础。