ESAD-Net：一种面向实时钢表面缺陷检测的高效自适应检测网络

《Scientific Reports》：ESAD-Net?: an efficient steel adaptive detection network for real-time surface defect detection

　　

钢表面缺陷检测是钢铁工业质量控制的关键组成部分。传统检测方法面临准确率低和实时性差等技术挑战。本文提出ESAD-Net（Efficient Steel Adaptive Detection Network，高效钢自适应检测网络），在保证高精度的同时实现每帧平均推理延迟8.7 ms（115.3 FPS（Frames Per Second，每秒帧数））。通过将RegNet-X轻量级特征提取与ATSS（Adaptive Training Sample Selection，自适应训练样本选择）算法串行集成。RegNet-X基于设计空间优化理论构建轻量级骨干网络。它集成边缘增强模块和多尺度特征融合机制。在保证特征表示能力的同时实现计算效率优化。ATSS算法采用面向钢缺陷几何特征差异的自适应IoU（Intersection over Union，交并比）阈值选择策略。它动态调整正负样本选择机制。这有效缓解样本不平衡问题并显著提高小目标缺陷检测性能。在NEU-DET（NEU Surface Defect Database，东北大学表面缺陷数据库）钢缺陷数据集上的实验结果表明，ESAD-Net达到87.0% mAP@0.5（mean Average Precision at IoU threshold 0.5，交并比阈值0.5下的平均精度均值）检测精度和115.3 FPS处理速度。与基线模型YOLOv8n相比，整体检测精度提高6.8个百分点，小目标缺陷检测平均提高13.2个百分点。该算法将正样本利用率从15.2%提高到24.8%，并将假阳性率降至6.7%。训练收敛效率提高29%。同时，模型参数量减少25%，推理时间缩短17%。虽然性能基准测试在RTX 3070 GPU上进行，但模型以高架构效率为目标设计，旨在面向潜在工业边缘部署。通过最小化参数冗余（2.4M）和计算复杂度（2.4 GFLOPs（Giga Floating-Point Operations，十亿次浮点运算）），该框架为在资源受限边缘设备上的运行可行性建立了理论基础。

论文主体解读
研究背景：钢铁工业产品质量直接关系下游制造与基础设施安全。钢表面缺陷类型多样、形态复杂，且尺度跨度大、形状差异显著、背景环境复杂，微小划痕、点状夹杂和局部麻点等小目标缺陷对质量控制影响明显。人工质检受主观判断、视觉疲劳和检测速度限制，在高速度产线中易产生漏检与重复复检。传统图像处理方法依赖手工特征提取器和固定阈值机制，面对多样缺陷形态与变化背景时适应性不足，需大量人工调参。深度学习方法虽提高检测精度，但深宽网络增加计算开销和内存消耗，主流检测架构常偏重精度优化而忽视模型复杂度与推理延迟的权衡，参数量和浮点运算量超出工业边缘设备处理能力；同时缺少系统的轻量化设计原则与自适应样本选择机制，实验室性能与实际部署需求之间存在差距。现代钢生产线轧制速度通常为2–8 m/s，要求毫秒级响应，边缘设备存储和算力受限，因此需要面向钢缺陷特性的专用实时检测算法，以兼顾精度、效率和部署可行性，支撑钢企全流程自动质量监测与智能升级。

研究人员开展的研究、结论与意义：研究人员提出ESAD-Net（Efficient Steel Adaptive Detection Network，高效钢自适应检测网络），将RegNet-X（一种基于设计空间优化的轻量级骨干网络）轻量特征提取与ATSS（Adaptive Training Sample Selection，自适应训练样本选择）串行集成，并引入Sobel边缘增强、FPN（Feature Pyramid Network，特征金字塔网络）多尺度融合和自适应样本选择。在NEU-DET（NEU Surface Defect Database，东北大学表面缺陷数据库）上开展消融、统计重复和先进方法比较，得出ESAD-Net达到87.0% mAP@0.5（mean Average Precision at IoU threshold 0.5，交并比阈值0.5下的平均精度均值）、115.3 FPS（Frames Per Second，每秒帧数）、2.4M参数和2.4 GFLOPs（Giga Floating-Point Operations，十亿次浮点运算）；相较YOLOv8n基线，整体精度提高6.8个百分点，小目标缺陷检测平均提高13.2个百分点，参数量减少25%，推理时间缩短17%，正样本利用率由15.2%提高至24.8%，假阳性率降至6.7%，训练收敛效率提高29%。该研究为钢表面缺陷实时检测和资源受限边缘部署提供技术方案，对钢企智能质量监测和传统制造业数字化转型具有支撑意义。

关键技术方法：采用RegNet-X设计空间构建轻量骨干，设置w₀=24、w_a=36、阶段深度[1,2,7,12]及组卷积g=8；在Stem后引入基于Sobel算子的边缘增强模块，并以FPN融合多尺度特征；检测端采用基于锚框的ATSS，以候选锚框与真值IoU的均值加标准差动态确定正样本阈值，联合focal损失、GIoU（Generalized IoU，广义交并比）损失和centerness损失优化。样本队列来源于东北大学轧制技术及连轧自动化国家重点实验室构建的NEU-DET，含6类共1800幅200×200灰度图像，按7:1:2划分训练、验证和测试集。

研究结果：
（1）Detection accuracy and real-time performance evaluation（检测精度与实时性能评估）：通过YOLOv8n基线、without RegNet-X、without ATSS和完整ESAD-Net四模型消融，以及不同IoU阈值、5次独立运行和收敛分析，得出串行集成同时提升精度与效率；mAP@0.5分别为80.2%、84.5%、81.1%、87.0%，完整模型参数量2.4M、推理8.7 ms，mAP@0.75为60.5%、mAP@0.5:0.95为53.6%，重复实验标准差≤0.5%和≤0.2 ms，六类ATSS阈值在0.41–0.52附近收敛且CV（Coefficient of Variation，变异系数）为2.7%–3.3%，训练损失由1.2降至约0.16、验证mAP稳定约87%，满足T_max=10 ms。

（2）Small-target detection robustness and sample selection analysis（小目标检测鲁棒性与样本选择分析）：通过面积<32²像素的小目标AP（Average Precision，平均精度）、多尺度（32²?96²、>96²像素）统计和样本选择指标分析，得出ATSS主要改善小目标与样本不平衡、RegNet-X主要贡献效率；小目标平均AP由58.5%升至71.7%（+13.2个百分点），中等和大约分别提高8.0和4.5个百分点，正样本利用率由15.2%升至24.8%，假阳性率降至6.7%，IoU分布标准差降至0.071，收敛仅需20个epoch（效率提高29%），小目标召回由58.3%升至75.4%。

（3）Comparative analysis with state-of-the-art methods（与先进方法比较）：通过与ESI-YOLOv8、YOLOv10n-SFDC和MESC-DETR等比较，得出ESAD-Net在87.0% mAP、2.4M参数和115.3 FPS下兼顾精度与实时性；其比MESC-DETR高0.8个百分点且后者参数量24.8M、32.5 FPS，较YOLOv10n-SFDC高1.5个百分点；与在损失层或注意力重加权处理样本不平衡的方法不同，ESAD-Net在样本分配阶段采用ATSS，小目标AP为71.7%。

讨论部分总结：讨论将精度突破归因于ATSS依据缺陷统计分布动态调整分类边界和样本分配，提高正样本利用率并降低误检，使模型学习微小缺陷的代表性几何特征而非噪声；将实时性归因于RegNet-X结构规整及其与硬件内存访问模式的匹配，在减少参数的同时维持特征表达。讨论同时指出，RegNet-X对极端长宽比（超过20:1）缺陷的特征表达可能不足，当前仅在NEU-DET验证，跨缺陷分布、成像条件和生产环境的泛化仍需系统研究；未来关注几何感知网络（如可变形卷积、各向异性注意力）及可见光、红外、激光多模态传感器融合等方向。

研究结论翻译：该研究提出ESAD-Net（Efficient Steel Adaptive Detection Network，高效钢自适应检测网络），通过RegNet-X轻量特征提取网络与ATSS（Adaptive Training Sample Selection，自适应训练样本选择）算法的串行集成，有效应对钢表面缺陷检测中的关键技术挑战。实验结果表明，ESAD-Net在NEU-DET数据集上达到87.0% mAP@0.5检测精度和115.3 FPS处理速度；相较基线模型YOLOv8n，检测精度提高6.8个百分点，小目标缺陷检测平均提高13.2个百分点，同时模型参数量减少25%、推理时间缩短17%。ATSS自适应样本选择策略显著改善正负样本不平衡，将正样本利用率由15.2%提高至24.8%，将假阳性率降至6.7%，并使训练收敛效率提高29%。该算法在多尺度缺陷检测中保持良好一致性，为钢企智能质量监测提供完整技术方案。在RTX 3070 GPU上的基准测试显示每帧推理延迟8.7 ms，满足高速生产线实时约束；紧凑架构（2.4M参数和2.4 GFLOPs计算复杂度）针对工业边缘平台典型内存与吞吐预算设计，为资源受限部署场景的适用性提供定量证据。该研究在理论上为工业缺陷检测的轻量化设计和自适应样本选择提供新技术范式，并为传统制造业数字化转型与智能升级提供技术支撑。需要注意的是，当前实验验证在NEU-DET基准数据集上开展，ESAD-Net在不同生产环境所固有的变化缺陷分布和成像条件下的泛化性仍是未来研究方向。为此，未来研究将探索多模态传感器融合、联邦学习和边缘智能技术，以进一步提高算法泛化能力和工业适用性，推动钢缺陷检测技术向更智能、更自动化方向发展。