基于Legendre多小波特征注意力引导的轻量化网络实现钢材表面缺陷高精度分类

本文提出了一种结合Legendre多小波变换(LWT)与特征注意力引导(FAG)机制的轻量化网络(LWFAG-LNet)，通过多尺度特征融合和SE注意力加权，在NEU-CLS等数据集上实现99.8%的分类准确率，较现有方法提升1.45-3.45%，为工业缺陷实时检测提供了新范式。

　　

Highlight

1. 1.

   创新性采用Legendre多小波变换(LWT)解析钢材表面缺陷的多尺度几何特征，通过正交分解保留完整缺陷信息

2. 2.

   设计新型特征注意力引导(FAG)模块，结合SE机制对浅层高分辨率细节特征与深层低分辨率上下文特征进行动态加权融合

3. 3.

   构建仅含4个卷积块的轻量化CNN(LCNN)模块，在NEU-CLS数据集实现99.8%的SOTA分类精度

Related work

现有方法可分为两类：基于小波变换(WT)与机器学习结合的方法（如SVM分类器），以及WT与深度学习（如VGG19、ResNet50）的混合模型。传统方法依赖人工特征设计，而深度学习方法需要海量数据支撑。

The proposed model

LWFAG-LNet核心架构：

• •

  LWFAG模块：通过3级LW分解获取6组频率子带，采用通道注意力(SE block)计算特征权重

• •

  LCNN模块：包含1个3×3卷积核和3个深度可分离卷积块，参数量仅2.1M

Experimental results

在NEU-CLS、X-SDD和KTH-TIPS数据集上分别达到99.80%、98.49%和99.06%准确率，推理速度达47FPS。消融实验表明FAG模块使参数量减少68%的同时提升精度2.3%。

Conclusion

该轻量化网络通过多小波域特征融合与注意力引导机制，为工业场景下的实时缺陷检测提供了高精度解决方案，未来可扩展至其他材料表面检测领域。