基于轻量化LiMS-Net网络的金属表面缺陷检测方法研究及其在多尺度特征融合与跨区域交互中的应用

本研究针对金属表面缺陷检测中存在的精度低、小目标漏检及复杂背景干扰等问题，提出了一种轻量级金属表面缺陷检测网络（LiMS-Net）。通过引入多尺度卷积核的残差同步卷积模块（RSCB）、融合Shift-MLP的Conv-MLP模块以及跨尺度特征融合策略，显著提升了缺陷检测的准确性与鲁棒性。实验结果表明，LiMS-Net在多个公开数据库上均达到最优性能（mAP0.5和F1值领先），且参数量更少，为工业质检提供了高效可靠的解决方案。

　　

在汽车、航空航天、电子和建筑等工业领域，金属材料的质量直接影响产品的性能、耐久性和安全性。传统金属表面缺陷检测方法主要依赖人工检查、超声波检测和磁粉检测等，但这些方法存在主观误差大、对不规则表面适应性差、无法检测非铁磁性材料等局限性。尽管近年来基于深度学习的目标检测技术（如CNN、Transformer和GCN）取得了显著进展，但在实际工业环境中，仍面临小缺陷特征提取困难、背景干扰导致误检漏检、模型泛化能力不足等问题。

为应对这些挑战，中南大学机械与电气工程学院的研究团队在《Domestic Animal Endocrinology》上发表了一项研究，提出了一种轻量级金属表面缺陷检测网络LiMS-Net。该网络基于YOLOv5架构，通过引入多尺度卷积核的残差同步卷积模块（RSCB）、融合Shift-MLP的Conv-MLP模块以及跨尺度特征融合策略，显著提升了模型对金属表面缺陷的检测能力。

研究采用了三种公开金属缺陷数据库（NEU-DET、DAGM2007和BSData）进行模型训练与测试，通过对比YOLOv5、YOLOv7、YOLOv8、YOLOv9和YOLOv10等先进算法，综合评价了LiMS-Net在mAP_0.5、精确率（P）、召回率（R）和F₁值等指标上的表现。关键技术方法包括：多尺度卷积特征提取（RSCB模块）、基于Shift操作的跨区域特征交互（Conv-MLP模块）、跨尺度特征融合策略以及蓝图可分离卷积（BSConv-S）的轻量化设计。

3.1. LiMS-Net架构

LiMS-Net在 backbone 阶段采用RSCB模块，通过3×3、5×5和7×7多尺度卷积核同步提取不同尺寸缺陷特征，并结合残差连接避免特征丢失。在 neck 阶段，引入Conv-MLP模块，利用Shift-MLP增强远距离依赖建模能力，同时通过CNN提取局部特征，实现全局与局部信息的有效融合。

3.2. RSCB

该模块基于BSConv-S（蓝图可分离卷积）设计，将标准卷积分解为两个点卷积（PWConv）和一个深度卷积（DWConv），在减少参数量的同时提升特征交互效率。实验表明，RSCB显著提高了模型对多尺度缺陷的捕获能力。

3.3. Conv-MLP

通过Shift操作实现特征图的空间位移，增强不同区域间的信息交互，解决了传统卷积在长距离依赖建模中的局限性。该模块以较低计算成本提升了模型对分散缺陷和复杂背景的感知能力。

3.4. 融合块

该模块聚合浅层、中层和深层特征，通过跨尺度信息互补增强模型对细微缺陷的敏感性。实验证明，该策略有效缓解了因特征层层处理导致的细节丢失问题。

实验结果表明，LiMS-Net在NEU-DET、DAGM2007和BSData数据库上均取得了最优性能（mAP_0.5最高达0.765，F₁值达0.728），参数量仅为5.71M，显著低于YOLOv10x等对比模型。定性分析显示，LiMS-Net在低对比度缺陷、小目标缺陷和复杂背景干扰下仍能保持高检测精度和鲁棒性。

研究结论表明，LiMS-Net通过多感受野特征捕获、跨区域交互和跨尺度融合三大策略，有效解决了金属表面缺陷检测中的关键难题。其轻量化设计使其适合部署在资源受限的工业边缘设备中，为智能制造提供了可靠的技术支持。未来工作可进一步探索模型在更多工业场景中的泛化能力和实时性优化。