基于高效卷积与特征驱动机制的钛带轻量化缺陷检测网络研究

针对钛带表面缺陷检测中模型复杂度与性能难以平衡的问题，研究人员提出轻量化网络ECFD-Net，通过创新性设计SGConv、FDFE模块及C2f-light结构，实现mAP0.5达0.799、参数量仅1.04M的优异表现，较YOLOv12x提升8.2%精度并降低98.2%参数，为工业质检提供高效解决方案。

　　

钛合金因其低密度、高强度和优异的生物相容性，广泛应用于航空航天、医疗等领域。然而，钛带在轧制过程中易出现边缘裂纹、表面皱褶等缺陷，传统检测方法如激光超声或涡流检测存在设备要求高、环境敏感等局限。尽管基于机器视觉的方法具有非接触优势，但现有模型常面临计算复杂度高、对小缺陷检测能力不足的挑战。为此，中国的研究团队在《Engineering Applications of Artificial Intelligence》发表研究，提出ECFD-Net网络，通过高效卷积与特征驱动机制实现性能与效率的突破。

研究采用三大关键技术：1）动态通道调整的Shuffle Grouped Convolution（SGConv），减少计算冗余并增强跨通道交互；2）基于渐进式特征驱动的FDFE模块，强化弱缺陷特征提取；3）重构高参数模块为C2f-light，结合轻量化FPN颈部设计压缩模型规模。实验使用2022帧钛带产线图像构建数据库，通过LED线性光源标准化光照条件。

SGConv设计：通过动态分组策略将输入通道划分为主组和次组，主组保留关键特征，次组采用深度可分离卷积降低计算量，再通过通道混洗增强特征交互，最终融合输出。该设计使3×3卷积计算量降低至传统卷积的1/9。

FDFE模块：采用三级渐进结构（初级SGConv→中级特征细化→高级全局聚合），通过空间-通道双注意力机制突出缺陷区域。实验显示其对低对比度缺陷的召回率提升12.3%。

C2f-light优化：移除原C2f模块中的冗余分支，将特征提取层从4层压缩至2层，参数量减少64%而mAP_0.5仅下降0.8%。

NWPE评估体系：创新性整合非线性函数（如Sigmoid）与复合权重策略，量化模型在资源受限场景的综合效率。ECFD-Net的NWPE值达0.841，显著高于YOLOv8（0.712）和Faster R-CNN（0.653）。

研究结论表明，ECFD-Net以1.04M参数量实现mAP_0.5 0.799和召回率0.782，较基准模型显著提升。其意义在于：1）SGConv为轻量化卷积提供新思路；2）FDFE模块解决弱特征检测难题；3）NWPE指标推动工业模型评估标准化。该成果获国家重点研发计划（2022YFB3706902）和山东省泰山产业专家计划支持，为智能制造提供可落地的解决方案。