基于跨阶段Mamba增强与层级语义图融合的钢材表面缺陷检测算法CBH-YOLO及其工业应用价值

本文创新性地提出CBH-YOLO算法，通过跨阶段Mamba增强多尺度卷积（CMMC）、二元放大矩阵（BAM）和层级语义图融合网络（HSGFN）三大模块，显著提升钢材表面缺陷检测的精度与效率。该模型在NEU-DET和GC10-DET数据集上mAP@50指标较YOLOv11基线提升2.7%~3.2%，为工业质量管控提供高精度解决方案。

　　

Highlight

Object detection algorithms

目标检测领域在过去十年中经历了显著变革，其方法大致分为两阶段检测器、单阶段检测器以及近年兴起的基于Transformer的架构。两阶段检测框架以R-CNN为首创，通过区域提议机制生成潜在目标位置，再进行分类和定位优化。Faster R-CNN的突破性工作通过引入区域提议网络（RPN）实现了端到端训练，极大提升了检测效率。

Methods

为解决传统YOLOv11架构在钢材表面缺陷检测中存在的固有局限性——特别是感受野受限、多尺度特征整合不足及复杂背景下特征判别力不足——我们提出CBH-YOLO算法。如图1所示，CBH-YOLO在基线YOLOv11基础上集成三大关键架构改进：（1）以CMMC模块替代C3k2，该模块融合状态空间模型与大核卷积优势，结合自适应注意力机制；（2）引入BAM模块，集成FlexWave（FXW）动态激活函数与OmniScale（OSC）多尺度感知机制；（3）构建HSGFN，通过超图结构建模特征间高阶关联，实现自适应多尺度特征融合。

Experimental configuration

所有实验均在配备NVIDIA RTX 3090-24GB GPU的高性能服务器上完成。完整硬件配置包括2.5 GHz 14核中央处理器、60GB系统内存及30GB存储容量。RTX 3090显卡提供24GB显存，为深度学习模型训练与推理操作提供充足算力支持。实验环境基于Python 3.8与PyTorch 1.9框架构建，所有模型均采用AdamW优化器训练，学习率设置为1×10^-4，批量大小为16。

Conclusion

本文提出的CBH-YOLO算法有效解决了传统钢材表面缺陷检测方法在感受野覆盖范围受限、多尺度特征整合不足及复杂背景下特征判别力不足等关键问题。通过集成CMMC模块、BAM模块和HSGFN，CBH-YOLO实现了对各类钢材表面缺陷的高精度检测。在NEU-DET与GC10-DET数据集上的大量实验表明，该算法在保持优异计算效率的同时，检测精度显著超越现有主流方法。