《Measurement and Control》：Lightweight YOLO-based object detection for industrial casting defect inspection
编辑推荐：
自动化缺陷检测在现代制造业中对于维持产品质量与提升生产效率起着关键作用。研究人员建立了一个可复现的基准，用于在标准化实验条件下比较近期YOLO架构在铸造缺陷检测中的性能，并探究检测精度与计算效率之间的权衡。研究采用Kaggle公开铸造缺陷数据集，评估了YOLO
自动化缺陷检测在现代制造业中对于维持产品质量与提升生产效率起着关键作用。研究人员建立了一个可复现的基准，用于在标准化实验条件下比较近期YOLO架构在铸造缺陷检测中的性能，并探究检测精度与计算效率之间的权衡。研究采用Kaggle公开铸造缺陷数据集，评估了YOLOv8x、YOLOv10s、YOLO11s与YOLOv12s四种目标检测模型。所有模型在相同的预处理流程、训练配置与评估协议下完成训练与评测。性能通过精确率（Precision）、召回率（Recall）、mAP50与mAP50–95衡量，计算效率通过模型大小、参数量、浮点运算数（FLOPs）、推理延迟与每秒帧数（FPS）评估。实验结果表明，YOLOv12s取得最佳综合性能，测试集上mAP50达70.91%、mAP50–95达33.37%，同时保持轻量架构（9.23百万参数、21.5 GFLOPs、18.06 MB）。尽管YOLOv10s精确率最高（70.78%）、YOLOv8x召回率最高（69.54%），YOLOv12s在检测精度、定位鲁棒性与计算效率间提供了最均衡的表现。该基准为近期YOLO架构提供了公平且可复现的比较，并证明YOLOv12s在检测性能与计算成本间具备最优权衡，是资源受限工业制造环境中自动视觉检测的有力方案。
研究背景方面，工业4.0融合物联网（IoT）、大数据与人工智能（AI）推动传统制造向智能工厂转型，但AI在制造落地面临数据、基础设施与安全挑战。传统人工铸件质检耗时、主观性强，而基于机器学习的视觉检测成为突破方向。现有轻量级目标检测研究常因数据集、预处理、训练策略与评估协议不一致导致结果难比、难复现；同时CNN类YOLO与Transformer类检测器在相同设定下的系统对比稀缺。为此，研究人员在《Measurement and Control》发表该研究，旨在建立标准化、透明、可复现的基准框架，在统一条件下评估YOLOv8x、YOLOv10s、YOLO11s、YOLOv12s及Transformer类RT-DETR-L在铸造缺陷检测上的精度—效率权衡。
关键技术方法上，研究人员采用Kaggle公开的Ravirajsinh Dabhi“Casting Product Image Data for Quality Inspection”灰度铸件数据集，仅取含标注的缺陷样本，划分训练1395张、验证174张、测试175张；标注用LabelImg以YOLO格式框选单类“error”缺陷。模型基于Ultralytics框架，在NVIDIA RTX 4090、Python 3.10下以COCO预训练权重初始化，统一用Adam（学习率0.001、权重衰减0.0001）、batch 16、epoch最多300、早停patience 30，三随机种子（0/42/123）重复实验取均值±标准差。评估指标含Precision、Recall、mAP50、mAP50–95及模型大小、参数量、FLOPs、延迟、FPS。
研究结果部分，按原文小节归纳如下。
数据集收集：使用Kaggle单类铸件缺陷灰度图，缺陷形态、尺寸、分布差异大，仅缺陷图入训，限定了假阳性评估但聚焦定位学习。
数据处理：LabelImg人工框注，YOLO格式存储，统一划分集。
实验环境与参数：RTX 4090下单卡同配，三种子重复，表1显示YOLOv12s验证mAP50–95最高32.88±0.40%，YOLOv10s延迟最低13.48±0.23 ms、FPS最高74.18±1.28，YOLOv8x资源消耗最大（130.38 MB、68.12 M参、258.1 GFLOPs）。
模型训练：统一超参消除架构外干扰。
模型评估：给出Precision=TP/(TP+FP)、Recall=TP/(TP+FN)、AP为PR曲线下面积、mAP跨类平均的定义。
方法局限：单数据集、单缺陷类、无良品图、固定划分与分辨率，限制泛化与假阳性判断。
结果：训练/验证损失曲线显示各模型稳定收敛，YOLOv8x分类/box损失低，YOLOv10s分布焦点损失（DFL）低但整体精度不占优，YOLOv12s分类与box损失均衡且mAP50–95最佳。验证集上YOLOv8x Precision 72.96%、Recall 71.68%、mAP50 72.94%最高，YOLOv12s mAP50–95 32.88%最高；测试集上YOLOv8x Precision 70.78%、Recall 69.54%最高，YOLOv12s mAP50 70.91%、mAP50–95 33.37%最高；RT-DETR-L精度召回可比但mAP50–95仅29.46%（验证）/30.86%（测试）弱于所有YOLO。图7定性显示YOLOv12s框更准、误检少、置信度稳。
讨论：YOLOv8x单指标强但算力重；YOLOv10s最快但定位弱；YOLOv12s以9.23 M参、21.5 GFLOPs、18.06 MB取得轻量下最优定位；RT-DETR-L作为Transformer代表未显现优势。局限含单数据集、单类、缺良品、未测光照噪声等扰动。
结论翻译：本研究对YOLOv10s、YOLO11s、YOLOv12s、YOLOv8x与RT-DETR-L五模型在公开工业铸件集上做全面评测。YOLOv12s在轻量组中mAP50与mAP50–95最高且复杂度低；YOLOv10s精确率最高、YOLOv8x召回率最高，但YOLOv12s在精度、定位鲁棒性与效率间最均衡；RT-DETR-L定位弱于YOLOv12s。YOLOv11s与YOLOv12s的架构改进在保轻量同时增强特征与定位。YOLOv12s适合资源受限产线部署。研究并建立统一预处理/训练/评估的可复现基准，消除设定差异，客观比对CNN与Transformer检测器，未来将扩至多类大数据与真实环境鲁棒性验证。
该研究意义在于为工业铸造视觉质检的模型选型提供公平基准，证明轻量CNN类YOLOv12s优于同设Transformer检测器，缩小深度学习研究与智能制造落地间隙。
