FDHNet：基于超图建模网络的频率感知分解方法，用于实时表面缺陷分割

《Knowledge-Based Systems》：FDHNet: Frequency-Aware Decomposition with Hypergraph Modeling Network for Real-Time Surface Defect Segmentation

　　

• •
  该框架在缺陷分割中实现了精度与效率的平衡。
• •
  小波增强技术能够在保持空间定位的同时，提升弱缺陷特征的可见度。
• •
  超图建模方法可捕捉缺陷区域内的高阶空间相关性。
• •
  在三个工业数据集上的测试结果显示，该框架具有更出色的精度效率比。

引言

表面缺陷检测是智能制造中的核心任务。自动化检测显著提升了航空航天、汽车、轨道交通以及半导体行业中的质量控制效率，能够快速发现那些可能引发严重故障的微小缺陷[[1], [2], [3]]。基于像素级的分割方法通过密集的掩码预测来定位缺陷，从而为精细的质量控制提供支持[4]。然而，工业领域的缺陷分割面临着诸多挑战，比如缺陷往往很微小且与背景相似，而且缺陷与背景之间存在着大量模糊的边界。

得益于端到端的特征学习能力，深度学习方法已成为现代表面缺陷分割领域的主流技术。现有的大多数方法都采用以U-Net[5]及其变体为代表的编码器-解码器架构。其中，以EDRNet[6]和MCNet[7]为代表的空间域增强方法引入了注意力机制[8,9]以及多尺度上下文聚合技术[10]，以此提升特征的区分度；而DBRNet[11]、MINet[12]和A-Net[13]等轻量级实时模型则通过压缩网络结构来实现高效的推理。尽管这些方法能够提取具有区分度的语义和纹理特征，但由于对弱缺陷及模糊边界的建模能力不足，其在实际工业场景中的性能仍存在局限。这类方法的根本缺陷在于仅依赖空间域特征学习，缺乏针对频域噪声抑制以及缺陷高阶结构建模的专门设计。

现有框架还存在另外两个关键缺陷，进一步限制了其性能。一方面，主流网络[[14], [15], [16]]仅在空间域进行特征提取，忽视了对弱缺陷表征有利的频域特性。高频成分包含丰富的缺陷边缘和纹理细节，而低频成分则反映背景结构[17,18]，但目前很少有方法能针对工业场景实现自适应的频率分离与噪声过滤。另一方面，传统的卷积操作[19]以及普通的图神经网络[[20], [21], [22]]受限于局部感受野以及成对关系建模的能力，无法捕捉到裂纹、划痕等连续缺陷中的高阶空间相关性。这一瓶颈直接导致了边界不连续以及分割不完整的问题。

为克服上述限制，我们提出了FDHNet，这是一种基于小波频率分离与超图高阶建模的实时表面缺陷分割网络。具体而言，我们设计了基于小波的频率信息分离模块WFID，将特征分解为低频背景成分和高频缺陷成分，同时动态选择敏感的频率带，在抑制噪声的同时提升缺陷细节的清晰度。此外，我们还构建了基于超图的空间相关性增强模块HSCE，通过考虑缺陷特征的超级边构建以及双向特征聚合方式，来建模高阶的多像素相关性，从而有效捕捉缺陷的拓扑连续性。另外，我们还引入了自适应信息分配机制以及基于边的监督策略，以优化多尺度特征融合与边界预测过程。综上，本文的主要贡献如下：

• •
  我们提出了一种轻量级且实时的分割网络FDHNet，它结合了小波频域处理技术与基于超图的高阶建模方法，使得工业缺陷分割在精度与效率之间取得了更好的平衡。
• •
  WFID模块通过分层小波分解实现自适应的频率带选择，从而在提升弱缺陷表征能力的同时，保持良好的空间定位效果。
• •
  HSCE模块用于建模缺陷区域内的高阶空间相关性，以此克服传统卷积运算以及成对图网络在捕捉连续缺陷结构方面的局限性。
• •
  我们设计了自适应信息分配机制以及基于边的监督策略，进一步提升边界分割的精度。在多种工业缺陷基准数据集上进行的全面实验验证了所提方法的有效性与通用性。

章节摘录

频域学习

频域学习通过变换操作将空间特征映射到频域中，通过区分高频与低频成分来分离缺陷细节与背景纹理。给定一个空间特征图$\mathbf{F}\in {\mathbb{R}}^{C_n\times H_n\times W_n}$，包括快速傅里叶变换（FFT）和离散余弦变换（DCT）在内的传统方法是通过全局变换来获取频域特征，这种方式会导致空间定位信息的丢失或频率划分不够精确。而小波

方法论

在本节中，我们将介绍所提出的FDHNet方法。第三节A部分介绍了我们提出模型的整体网络架构。随后，第三节B部分和第三节C部分分别详细阐述了基于小波的频率信息分离机制以及基于超图的空间相关性增强机制的原理与结构。第三节D部分则描述了我们提出的自适应信息分配机制以及分割头的架构。

实验分析

为了验证所提出的FDHNet模型的有效性与高效性，我们进行了大量的实验。第四节A部分详细介绍了实验设置，第四节B部分通过多项指标将FDHNet与现有的先进缺陷分割方法进行对比，以此证明其性能优势；第四节C部分则通过消融实验来验证各个模块的必要性。

结论

我们提出了一种通用的工业表面缺陷分割网络FDHNet，该网络旨在解决工业图像中常见的边界模糊以及缺陷较弱的问题。为了更好地提取缺陷细节特征，我们设计的基于小波的频率信息分离模块WFID可将编码器输出的特征分解为低频背景纹理与高频缺陷特征。再结合残差块以及一种能够动态选择敏感特性的自学习滤波器，

CRediT作者贡献说明

韩岩：论文初稿撰写。穆杨勇：方法论设计。黄庆庆：数据整理工作。张岩：软件实现。魏敏：模型验证。洪承浩：论文审阅与编辑。

利益冲突声明

作者声明，他们不存在任何可能影响本文研究结果的已知财务利益关联或个人关系。

致谢

本研究部分得到了重庆市科技创新重点研发计划的资助，项目编号为CSTB2025TIAD-STX0028；同时还获得了重庆市教委科技研究计划的资助，项目编号分别为KJZD-K202500608和KJQN202500613。

韩岩|穆杨勇|黄庆庆|张岩|魏敏|洪承浩