轻量化双分支特征聚合网络（DFANet）用于金属表面缺陷检测

《Journal of Imaging》：DFANet: A Lightweight Dual-Branch Feature-Aggregation Network for Metal Surface Defect Detection

　　

目标检测对于自动化工业表面缺陷检测至关重要。然而，金属表面的工业成像常常受到光照不均、强烈镜面反射、低对比度以及微小缺陷模糊等不利因素的影响。这些问题会显著削弱主流检测网络的特征提取能力，并阻碍其在边缘成像设备上的实时部署。为解决上述问题，本文提出了一种轻量化的双分支特征聚合网络（Dual-branch Feature-Aggregation Network, DFANet）。针对传统骨干网络参数过多和计算冗余的问题，研究人员设计了一种轻量化的双分支特征对齐融合（Dual-branch Feature Alignment Fusion, DFAF）骨干网络。该双流结构分别提取金属表面的浅层纹理成像特征和深层语义成像特征，其中嵌入的特征对齐融合（Feature Alignment Fusion, FAF）模块消除了由光照干扰引起的多尺度成像特征的空间偏移。此外，研究人员在骨干网络中集成了并行空间可变形模块（Parallel Spatial Deformable Module, PSDM），通过可变形注意力动态调整感受野，增强在低质量成像条件下对不规则缺陷的特征表征能力。在颈部（neck）部分，研究人员构建了重参数化上下文交互模块（Reparameterized Context Interaction Block, RCIB），用于过滤多层成像特征图中的冗余背景纹理信息，进一步降低内存和计算消耗。研究人员在三个公开的金属表面成像数据集：NEU-DET、X-SDD和GC10-DET上进行了全面实验。DFANet分别取得了83.8%、76.6%和73.1%的平均精度均值（mean Average Precision, mAP）。与YOLO11m基线相比，DFANet的参数数量减少了20.7%，计算成本（GFLOPs）降低了65.9%。与最先进的检测方法的广泛比较以及消融研究表明，DFANet在检测精度和轻量化性能之间取得了良好的平衡。所提出的网络为工业金属生产线上的实时自动缺陷检测提供了一种高效的解决方案。

一、研究背景与问题提出

随着芯片制造、复合材料以及汽车和航空航天工业的快速发展，对高精度金属材料的需求显著增加，高精度检测方法在自动化质量控制系统中扮演着关键角色。传统的表面缺陷检测方法主要依赖人工目视检查、磁粉检测和漏磁检测等人工技术，存在检测效率低、运营成本高等固有局限，难以满足现代高效生产的要求。基于传统机器视觉的自动检测方法虽结合了图像处理与机器学习算法，但过度依赖先验特征选择，易受主观干预，对复杂工业场景的适应性有限。

近年来，基于深度学习的检测方法被广泛采用。两阶段检测算法如Faster R-CNN具有较高精度但推理速度慢；单阶段算法如YOLO系列具备实时性优势，但随着网络层数增加，模型计算复杂度高，对计算资源要求严苛，难以部署在资源受限的边缘设备和嵌入式平台上。此外，工业金属表面成像常受光照不均、强镜面反射、低对比度及微小缺陷模糊等因素干扰，严重削弱主流检测网络的特征提取能力。因此，亟需设计面向金属表面缺陷检测的轻量化模型，在边缘设备上实现实时且准确的推理，以平衡检测精度与计算效率。

二、研究内容与结论

针对上述挑战，研究人员提出了轻量化双分支特征聚合网络DFANet。该网络通过设计双分支特征对齐融合（DFAF）骨干网络，整合HGNetV2与CSPNet以降低卷积密度和计算复杂度；嵌入并行空间可变形模块（PSDM）增强对不规则缺陷区域的关注；在颈部构建重参数化上下文交互模块（RCIB）消除跨层计算冗余。在NEU-DET、GC10-DET和X-SDD三个公开数据集上的实验表明，DFANet分别取得83.8%、76.6%和73.1%的mAP值，相比YOLO11m基线参数减少20.7%，计算成本降低65.9%，实现了检测精度与轻量化性能的良好平衡，为工业金属生产线实时自动缺陷检测提供了高效解决方案。

三、关键技术方法

研究人员主要采用了以下关键技术方法：其一，设计了双分支特征对齐融合（DFAF）骨干网络，通过HGNetV2分支级联深度可分离卷积与DynamicHGBlock提取特征，CSPNet分支通过级联卷积与C3K2模块处理特征，两分支经特征对齐融合（FAF）模块进行通道对齐与动态加权融合；其二，在骨干网络SPPF层后嵌入并行空间可变形模块（PSDM），采用DAttention机制通过偏移网络生成偏移量，经双线性插值采样生成形变的键和值，实现自适应感受野调整；其三，在颈部构建重参数化上下文交互模块（RCIB），通过通道切分、RepConv层及序列3×3和1×1卷积提取特征，训练后重参数化为标准3×3卷积以加速推理；其四，引入归一化加权距离（NWD）损失函数增强小目标缺陷识别能力。实验数据来源于NEU-DET、GC10-DET和X-SDD三个公开数据集，其中X-SDD原始为图像级分类数据集，研究人员按PASCAL VOC格式手动标注了边界框。

四、研究结果

4.1 实验设置：实验采用Python-3.9.19和torch-2.0.1框架，硬件环境为A100-PCIE-40GB GPU。超参数设置为初始学习率0.001、动量0.937、权重衰减0.0005、训练300轮、批次大小16。采用Mosaic、MixUp和随机水平翻转等数据增强，不使用预训练权重，输入图像统一调整为640×640像素，随机种子固定为42。

4.2 评估指标：采用平均精度均值（mAP）、模型参数量、GFLOPs和每秒帧数（FPS）作为评估指标，mAP在IoU阈值为0.5时报告。

4.3 与最先进模型对比：在NEU-DET数据集上与23种代表性方法对比，DFANet取得最优mAP值83.8%，参数仅15.88M，计算成本23.1 GFLOPs，推理速度57.8 FPS。相比Faster R-CNN和Cascade R-CNN分别提升11%和3.2%；相比DETR、Deformable DETR、RT-DETR分别提升10.6%、8%和5.2%；相比AFF-Net提升0.3%；相比LDE-YOLO、YOLO11m、YOLO12m、A2S2C-Det和EDEN-YOLO分别提升3%、3.8%、2.2%、1.8%和3.3%。

4.4 消融实验：骨干网络消融实验表明，集成FAF使mAP提升0.9%，参数减少7.65M，GFLOPs降低41.1G；在HGBlock中集成DynamicConv使mAP提升0.2%。集成PSDM模块使mAP从81.1%提升至82.6%，相比原始CSPDarkNet基线提升2.6%。轻量级骨干网络对比实验表明，DFAF在检测性能与计算资源消耗之间取得更优平衡，mAP相比EfficientViT、MobileNetV4和StarNet分别提升2.3%、1.2%和4.9%。各组件消融实验表明，完整DFANet相比基线计算成本降低44.6 GFLOPs，参数减少4.15M，mAP提升3.8%；单独应用RCIB使mAP提升0.4%；NWD损失使小尺度缺陷定位精度提升0.8%。

4.5 多数据集性能评估：在X-SDD数据集上，DFANet的mAP从基线74.2%提升至76.6%，提升2.4%；在GC10-DET数据集上提升1.8%。与最新检测算法对比，在GC10-DET上相比RT-DETR、Hyper-YOLO和YOLO12分别提升9.8%、0.3%和1.8%；在X-SDD上分别提升1.9%、1%和1.6%，且参数量和计算复杂度均为最低。

4.6 可视化分析：通过Grad-CAM方法生成热力图对比DFANet与基线的空间注意力。在NEU-DET数据集的六类缺陷中，DFANet对裂纹和划痕等边缘主导缺陷产生更连续集中的激活，对夹杂和斑块缺陷实现更均匀完整的覆盖，对麻点缺陷展现更强的多目标定位能力，对氧化铁皮缺陷的背景干扰抑制更显著。在GC10-DET和X-SDD数据集上，DFANet同样表现出更精确聚焦于真实缺陷区域、响应更连续且背景干扰更少的特点，尤其在低对比度氧化皮类缺陷上改进突出。

五、结论与讨论

研究人员提出了一种轻量化双分支特征聚合网络DFANet用于工业缺陷检测任务。DFAF骨干网络显著降低了模型参数和计算复杂度，同时保证基本特征提取性能；PSDM模块增强了判别性缺陷特征并保留缺陷区域的细粒度细节信息，提升检测精度；RCIB模块丰富了上下文特征表示，增强了模型对多样工业场景的适应能力。在NEU-DET、GC10-DET和X-SDD三个公开基准数据集上的大量实验证明，DFANet以极低计算开销实现高精度金属表面缺陷检测，并保持出色的泛化性能。与最先进基线模型的对比结果验证了DFANet在检测精度与计算成本之间达到最优平衡，在资源受限的工业环境中展现出显著优势。DFANet为复杂多样工业工况下的金属表面缺陷检测提供了高效轻量化的解决方案，未来工作将研究其在嵌入式边缘设备上的实际部署。