基于RT-DETR-r18的热锻模具表面缺陷轻量化实时检测方法

《Applied Sciences》：Vortex-Induced Vibration Identification for Long-Span Bridges: A Method Using Two-Point Vibration Phase Difference with Machine Learning

　　准确、高效地检测热锻模具表面缺陷，对于模具状态评估和稳定的锻造生产至关重要。然而，由于缺陷尺度和形态差异较大、金属纹理和反光复杂、以及细粒度特征较弱，自动化视觉检测仍然面临巨大挑战。为应对这些挑战，我们提出了MCDE-DETR——一种基于RT-DETR-r18的轻量化实时检测器。具体而言，我们设计了多尺度边缘增强网络（MSENet）作为骨干网络，在降低模型复杂度的同时增强多尺度和边缘细节的表征能力。随后，引入CGAFusion以增强与缺陷相关的特征并抑制背景干扰。采用DPCF在跨尺度特征融合过程中保留细粒度信息。最后，将EDFFN集成到AIFI中，以有限的计算开销提升频率感知的特征表征能力。在工厂采集数据集上的实验表明，MCDE-DETR达到了72.5%的mAP50和46.6%的mAP50:95，相较于基线模型分别提升了3.0和1.8个百分点，同时将参数量和GFLOPs分别降低了25.1%和10.4%。该模型达到80.69 FPS的处理速度，且在Jetson Orin Nano上的部署进一步证明了其在边缘端检测中的实际可行性。