多尺度上下文建模与细粒度自适应融合技术用于实时表面缺陷检测

《Scientific Reports》：Multi-scale contextual modeling and fine-grained adaptive fusion for real-time surface defect detection

　　

摘要

在复杂的工业环境中，钢带表面缺陷的检测既需要精确的识别能力，也需要高效的推理能力。现有方法在处理尺度变化较大的缺陷、保留细微的缺陷特征以及高效整合多级特征方面仍存在困难。为解决这些问题，我们提出了CDF-YOLO这一实时检测框架，它在YOLOv12的基础上整合了多尺度上下文建模与精细的自适应融合技术。具体而言，该框架引入了扩张上下文金字塔瓶颈结构（C2f_DCPB），通过并行的扩张分支增强上下文表达能力；在高分辨率处理路径中嵌入了精细自适应融合模块（FAN_Block），以强化对局部纹理和结构细节的表征；同时采用了DySample技术，提升多尺度特征融合时的内容自适应上采样效果。在NEU-DET数据集上的实验表明，按照既定测试方案，CDF-YOLO的mAP50值可达95.4%，处理速度为101.3帧/秒；而在DeepPCB数据集上的跨数据集评估则显示其具有更好的泛化性能。这些结果说明，CDF-YOLO在常见的工业缺陷数据集上实现了良好的精度与效率平衡。不过，要将其应用于实际工业场景，仍需在更大规模的生产线数据上进行验证，并进一步优化以便在边缘设备上运行。