编辑推荐：
金属铸件表面缺陷检测对工业质量控制至关重要，传统方法在复杂背景下检测小缺陷存在挑战。研究人员提出 SFMW-YOLO 模型，通过多模块改进优化性能。实验表明其 mAP@0.5 提升 4.6%、模型尺寸减小 38.4%、FPS 提升 20.5%，为工业检测提供新思路。
在工业制造领域，金属铸件作为机械系统的核心部件，其表面质量直接关系到设备的稳定性与使用寿命。然而，复杂工业环境中金属铸件表面小缺陷检测一直是自动化质量控制的难题。传统检测方法在处理复杂背景下的微小缺陷时，往往因分辨率不足或特征提取能力有限而导致漏检或误检，且难以兼顾检测效率与精度，尤其在边缘计算设备等资源受限场景下的实时检测需求难以满足。因此，开发一种高精度、高效率且适合边缘部署的金属铸件表面缺陷检测方法成为工业界与学术界亟待解决的关键问题。
为攻克上述难题，安徽高校的研究人员开展了基于深度学习的检测模型优化研究，相关成果发表在《Expert Systems with Applications》。该团队针对 YOLOv8s 模型进行改进，提出了 SFMW-YOLO 模型，旨在提升小缺陷检测精度的同时实现模型轻量化，以适应工业边缘设备的实时检测需求。
研究中采用的关键技术方法包括：
- 设计轻量化小目标检测模块（SODM），通过通道剪枝优化结构，提升小缺陷检测能力并降低模型复杂度；
- 引入特征重提取模块（FR-SPDConv），利用空间到深度卷积（SPDConv）替代传统下采样，保留空间分辨率以精准捕捉细微缺陷特征；
- 构建多尺度上下文融合注意力模块（MSCFAM），通过上下文引导自适应融合全局与局部特征，解决复杂环境下的特征碎片化问题；
- 采用 Wise-IoU 损失函数优化边界框回归，缓解目标相似性问题并加速收敛。
研究结果
数据集构建与实验设置
研究团队以金属铸件为对象，通过网络爬虫收集 2145 张原始图像，经翻转、旋转、亮度调整三种数据增强技术处理后获得 5346 张图像，按 8.5:1.5 比例划分训练集与验证集。标准缺陷分为多种类型，为模型训练提供了多样化数据支撑。
模型性能对比
在自建铸件数据集上，与 YOLOv8s 相比，SFMW-YOLO 的 mAP@0.5 提升 4.6%，模型尺寸减小 38.4%，FPS（每秒帧率）提升 20.5%，显著提升了检测精度与效率。在公共 NEU-DET 数据集上的验证进一步表明，该模型泛化能力优于基线模型，验证了其普适性。
边缘部署验证
在 NVIDIA Jetson Orin Nano 边缘设备上的部署测试显示，SFMW-YOLO 实现了 26.7 FPS 的实时检测性能，证实其在计算资源受限的工业边缘场景中具备实际应用可行性。
结论与讨论
SFMW-YOLO 通过多模块协同优化，在检测精度、模型轻量化与推理速度之间实现了平衡，为金属铸件表面缺陷检测提供了新的技术方案。其创新点在于针对小目标特征保留、复杂背景特征表示及边缘计算效率的综合优化，有效解决了传统方法在工业检测中的瓶颈问题。该研究不仅为金属铸件质量控制提供了实用工具，也为工业场景下深度学习模型的轻量化设计与边缘部署提供了可借鉴的思路。未来，进一步拓展数据集覆盖的缺陷类型与铸件种类，有望推动该技术在更多工业领域的广泛应用。
