基于特征差异化融合的高效小尺寸表面缺陷检测网络FDFNet研究

针对工业场景中钢表面小尺寸缺陷检测存在的低对比度干扰、计算资源受限等难题，研究团队基于YOLOv9构建了轻量化检测模型FDFNet。通过引入CLAHE数据增强、SPD-Conv特征提取和差异化融合(DF)模块，在NEU-DET数据集上实现了检测速度与精度的双重提升，为工业质检提供了高效解决方案。

　　

在工业制造领域，钢铁表面缺陷检测是保障产品质量的关键环节。然而，随着金属3D打印技术的普及，缺陷形态日趋复杂多样，传统检测方法如Sobel算子、小波变换等存在适应性差、效率低下等问题。尽管基于深度学习的YOLO系列算法在通用目标检测中表现优异，但面对工业场景特有的低对比度图像、小尺寸缺陷（<10像素）以及终端设备计算资源受限（内存<8GB）等挑战，现有模型仍存在纹理信息丢失、多尺度特征融合不足等缺陷。

针对这些难题，来自天津的研究团队在《Digital Signal Processing》发表论文，提出基于YOLOv9改进的FDFNet模型。该研究通过三大创新点实现突破：首先采用限制对比度自适应直方图均衡化(CLAHE)增强低对比度图像的缺陷特征；其次用空间深度卷积(SPD-Conv)替代传统卷积，在降采样时保留细粒度纹理；最后设计差异化融合(DF)模块，通过双分支结构协同处理多尺度特征的一致性与异质性。在包含6类缺陷的NEU-DET数据集（1800张图像）上的实验表明，该模型在保持轻量化（参数量减少15.7%）的同时，平均精度(mAP)较基线提升3.2%，推理速度达142FPS。

关键技术方法包括：1) CLAHE图像增强策略；2) SPD-Conv构建的骨干网络；3) DF模块驱动的特征金字塔网络；4) 基于NEU-DET数据集（含9423个标注缺陷）的对比实验。

Overall Architecture
模型采用三阶段架构：SPD-Conv骨干网络提取多尺度特征，DF模块增强的路径聚合网络(PAN)融合特征，解耦头完成分类定位。其中SPD-Conv通过空间重组操作保留亚像素级信息，DF模块则通过相似度分支（处理共性特征）和差异分支（捕捉独特性）实现智能融合。

NEU-DET dateset
在包含轧钢常见缺陷（如夹杂In、划痕Sc等）的NEU-DET数据集上，模型对微小缺陷（<32×32像素）的召回率提升12.4%，尤其对低对比度的坑蚀表面(Ps)检测效果显著。

Conclusion
该研究创新性地将CLAHE与深度学习结合，解决了工业缺陷检测中的"双低难题"（低分辨率、低对比度）。SPD-Conv和DF模块的设计实现了"降采样不降精度"的目标，为终端设备部署提供了可能。作者指出，未来可探索Transformer架构与DF模块的协同优化，进一步提升对不规则缺陷的检测能力。

Declaration of competing interest
团队声明无利益冲突。CRediT authorship contribution statement显示，Jiajian Liu负责数据整理与初稿撰写，Zhipeng Zhang完成核心算法设计，MD Kawsar Alam参与方法论构建，Qing Cai和Youhong Tang负责理论指导，Chengyi Xia协助论文修订。研究获国家自然科学基金（62203328、62173247）和天津市自然科学基金（22JCZDJC00550）支持。