《Sensors》：MSAdaNet: An Adaptive Multi-Scale Network for Surface Defect Detection of Smartphone Components
Jianqing Wu,
Hong Chen,
Xiangchun Yu,
Shuxin Yang,
Weidong Huang,
Fei Xie,
Hanlin Hong and
Hui Wang
编辑推荐：
本文针对智能手机组件表面缺陷形态多变、尺度差异极大以及标注数据稀缺的挑战，提出了一种双重解决方案。研究人员构建了MSAdaNet（多尺度自适应缺陷检测网络），其整合了并行多尺度特征聚合（PMSFA）骨干、聚焦扩散金字塔网络（FDPN）颈部和尺度自适应共享检测（SASD）头部。同时，创建了合成数据集SCBD以缓解数据瓶颈。实验表明，该模型在公开SSGD数据集上取得了领先的mAP@0.5（54.8%），显著超越基准模型。这项研究为工业质检提供了一种高效、鲁棒的自动化检测方案。
在现代智能手机制造中，屏幕玻璃和相机边框等光学组件的表面质量控制至关重要。这些玻璃部件在生产装配过程中极易出现微划痕、裂纹、污点、涂层损伤等多种缺陷，不仅影响产品外观，更损害其功能完整性。然而，对这些缺陷进行精准、高效的自动化检测面临三大严峻挑战：缺陷的形态和尺度差异极大，从像素级的微小瑕疵到跨越图像的结构性裂纹；现有的通用目标检测模型（如YOLO系列）对此类工业缺陷的独特特征捕捉能力不足；同时，由于人工标注成本高昂且工业数据敏感，可用于训练的高质量标注数据极度匮乏。这导致传统的机器视觉方法和直接应用的深度学习模型在性能和泛化能力上均存在局限，无法满足现代制造业日益严苛的质检标准。为此，本项研究旨在开发一种专门针对智能手机组件缺陷检测任务、兼具高精度与高效率的深度神经网络框架。
研究人员主要采用了以下关键技术方法：1. 设计并构建了名为MSAdaNet的单阶段目标检测架构，其核心包括用于特征提取的骨干网络、用于多尺度特征融合的颈部网络和用于最终预测的检测头。2. 提出了一种创新的并行多尺度特征聚合（PMSFA）模块作为骨干网络的核心，采用不同尺寸的并行卷积核来同时捕获多尺度缺陷细节。3. 引入了聚焦扩散金字塔网络（FDPN）作为颈部模块，以高效聚合不同尺度的特征。4. 开发了尺度自适应共享检测（SASD）头，通过跨任务参数共享和动态的尺度自适应特征变换来提升检测精度。5. 为应对数据稀缺问题，研究构建了一个包含4936张图像的合成智能手机相机边框数据集（SCBD），并结合了系统的数据增强流程。
研究结果
1. 网络架构设计与核心模块
研究提出的MSAdaNet框架是一个完整的缺陷检测解决方案。该网络采用经典的单阶段检测器设计，包含骨干（Backbone）、颈部（Neck）和检测头（Head）。其创新性主要体现在三个核心模块：PMSFA骨干、FDPN颈部和SASD头部。PMSFA模块通过“分而治之”的策略，将输入特征图分割后，使用并行的深度可分离卷积（例如5×5和3×3卷积核）处理不同子集，以分别提取中、小尺度特征，再通过残差连接和特征融合输出最终的多尺度特征表示。FDPN则优化了特征金字塔的构建方式，SASD头部则通过机制共享和动态调整提升了分类与定位的准确性。
2. 在公开数据集上的性能评估
为了验证MSAdaNet的有效性，研究在公开的智能手机屏幕玻璃数据集（SSGD）上进行了测试，该数据集包含裂缝（Crack）、污点（Spot）、破损（Broken）、划痕（Scratch）、漏光（Light-Leakage）、破膜（Broken-Membrane）、墨迹（Blot）七类缺陷。实验结果表明，MSAdaNet取得了54.8%的mAP@0.5（平均精度均值，交并比阈值为0.5），达到了最先进的性能水平。具体而言，相较于强大的基线模型YOLOv11m，MSAdaNet在mAP@0.5上提升了10.6个百分点，在召回率（Recall）上提升了18.3个百分点，显著降低了对小尺寸和形态复杂缺陷的漏检率。
3. 在合成数据集上的验证与泛化能力
为了进一步评估模型在数据稀缺场景下的鲁棒性以及所提数据生成流程的质量，研究在自建的合成智能手机相机边框数据集（SCBD）上进行了实验。MSAdaNet在该数据集上取得了94.0%的mAP@0.5，这一优异结果证实了合成数据生成管道能够有效模拟真实缺陷，并且MSAdaNet架构对于不同的数据分布具有良好的适应性和泛化能力。
4. 消融实验分析
研究通过系统的消融实验，定量评估了PMSFA、FDPN和SASD每个模块的贡献。实验分别移除了各个模块或以基线模块替代，比较性能变化。结果表明，PMSFA模块对于提升小缺陷检测效果贡献显著；FDPN模块有效增强了多尺度特征的融合效率；SASD头部则通过其独特的共享与自适应机制，明显提高了边界框定位的准确性。三个模块共同作用，缺一不可，是MSAdaNet实现高性能的关键。
研究结论与意义
本研究成功提出并验证了MSAdaNet，一个专为智能手机组件表面缺陷检测设计的自适应多尺度网络。该网络通过创新的PMSFA骨干、FDPN颈部和SASD头部，有效地解决了工业缺陷检测中形态多变、尺度差异大以及小目标检测难的固有挑战。同时，为解决数据稀缺问题而构建的合成数据集SCBD及增强流程，为类似工业视觉任务提供了可行的数据解决方案。广泛的实验证明，MSAdaNet在公开和合成数据集上均达到了领先的检测精度，显著优于现有的先进检测框架。这项工作不仅为智能手机制造业提供了一种高效、准确的自动化质检工具，其提出的多尺度特征处理、自适应检测头以及数据合成方法，也对更广泛的工业视觉、小目标检测及数据稀缺场景下的深度学习应用具有重要的参考价值和推动意义。本研究成果已发表于学术期刊《Sensors》。
