基于改进EfficientNet-B0的积碳程度识别方法研究

《Electronics》：Research on Recognition Method of Carbon Deposit Degree Based on Improved EfficientNet-B0

　　

汽车发动机积碳严重程度的准确分类对于常规车辆检测和尾气排放污染控制至关重要。尽管基于深度学习的方法在积碳视觉检测方面取得了一定进展，但在实际工业部署中仍面临突出缺点，因为内窥镜积碳图像具有细微的类间细粒度纹理，且缺乏足够的标记训练样本，这严重损害了传统模型的分类性能，使其无法满足实际检测任务的精度要求。本文提出了一种改进的EfficientNet-B₀框架，用于缸壁积碳严重程度的细粒度识别。通过引入DiffuseMix数据增强算法，避免了标签混淆和过拟合。同时，设计了一种双路径加权特征融合结构（DPWFFS），以实现浅层和深层特征的双向互补，增强积碳局部判别特征的表示能力。在研究人员自行构建的缸壁积碳数据集上进行的定量实验表明，所提出的改进模型达到了90.33%的分类准确率，显著优于原始的EfficientNet-B₀基线。该方法为发动机积碳严重程度的智能自动识别提供了有效的技术参考。

汽车发动机积碳程度识别是车辆检测与尾气污染控制的关键环节。传统方法包括拆卸法、物理量检测法（如碳层厚度、温度信息）及内窥镜检测法。其中，内窥镜检测虽直观，但人工判断存在主观性强、效率低的问题；传统机器学习方法需手动提取形状、纹理等特征，训练耗时且精度不足。基于深度学习的进展（如ResNet18、FRAM-RepVGG）虽提升了识别效果，但面临两大核心问题：一是积碳图像具有细粒度特性，类间差异微小（如局部纹理和形态），而现有卷积神经网络（CNN）过度关注高层语义特征，导致浅层细节特征丢失，难以捕捉局部判别性区域；二是缸壁积碳数据集样本量不足（仅4427张图像），易引发过拟合，模型泛化能力差。为此，研究人员提出基于改进EfficientNet-B₀的积碳程度识别方法，旨在提升细粒度分类精度，满足工业部署需求。该研究发表在《Electronics》。

研究人员主要采用以下关键技术方法：首先，使用DiffuseMix数据增强算法，通过预训练扩散模型（InstructPix2Pix）生成新样本，结合随机掩码拼接与分形融合，在保留核心语义的同时增强数据多样性；其次，以EfficientNet-B₀为骨干网络，提取五尺度特征（P3至P7）；然后，设计双路径加权特征融合结构（DPWFFS），包含自上而下的语义传递路径（利用上采样和1×1卷积融合高层语义与低层细节）和自下而上的细节增强路径（基于SA注意力机制和降采样），并引入通道重加权策略（CRC）优化特征融合过程，抑制无关通道干扰。样本来源为合作企业专业人员使用汽车专用内窥镜采集的缸壁积碳数据集，共4427张图像，分为五类：轻微（1172张）、轻度（799张）、中度（1891张）、严重（363张）、重度（202张）。

研究结果如下：

**4.3.1 超参数敏感性分析实验**
通过调整DiffuseMix融合系数λ（0.1至0.5），发现λ=0.2时模型性能最优，准确率、召回率、F1分数分别达87.61%、87.44%、87.34%，精确率为87.24%。当λ超过0.2时性能逐渐下降。此外，与CutMix、Mixup及无数据增强的基线对比，DiffuseMix使准确率提升4.59%，证明其能最大程度保留缸壁积碳图像的核心语义特征。

**4.3.2 模块内部对比实验**
在DPWFFS模块中引入不同注意力机制（如SE、CBAM等）进行对比，SA注意力机制在各项指标上表现最佳，表明其能有效捕捉通道间相关性并识别关键空间特征，增强模型对局部细节的建模能力。

**4.3.3 消融实验分析**
逐步添加DiffuseMix、双路径结构、CRC策略及SA注意力机制，最终集成四种改进策略的模型在准确率、精确率、召回率、F1分数上分别达到90.33%、90.42%、89.75%、90.08%，较基线模型（EfficientNet-B₀）分别提升7.31%、8.15%、7.49%、7.82%。与仅添加BiFPN或PANet的模型相比，DPWFFS模块带来更显著提升，证明其有效融合了深层语义与浅层细节特征，增强了局部判别能力。

**4.3.4 与其他模型性能对比**
与ResNet系列、ResNext系列、ShuffleNet、MobileNet-v2/v3、ConvNext、Swin-T/S、ViT-base等13种主流模型对比，改进模型在测试集上准确率最高（90.33%），且参数量保持较低水平，展现了良好的性能与参数平衡，具备实际应用潜力。

讨论部分总结：该方法通过整合DiffuseMix数据增强、EfficientNet-B₀轻量架构及DPWFFS模块，有效提升了数据多样性和局部判别特征捕获能力，在五类积碳程度识别任务中达到90.33%的准确率，优于此前三分类模型，为智能识别提供了新方案。但仍存在局限性：未来需采用轻量模型策略与低延迟推理方案以增强工业实时性；采用自适应超参数动态调整策略优化DiffuseMix对不同部位积碳场景的适应性；在更多发动机部件或工业缺陷数据集上验证泛化性；完善定量与定性评估体系（如混淆矩阵、多轮实验方差分析）；优化易混淆相邻积碳等级的召回率，提升工业部署鲁棒性。

研究结论翻译：本文提出了一种基于改进EfficientNet-B₀的积碳程度识别方法。通过整合DiffuseMix数据增强技术、轻量架构EfficientNet-B₀和DPWFFS模块，该方法有效增强了数据多样性，并提高了模型对局部判别特征的捕获能力，从而提升了积碳程度识别的准确率。实验结果表明，该方法在保持较低参数数量的同时，达到了90.33%的识别准确率，优于此前三分类模型，为积碳程度的智能识别提供了新方案。