一种用于钢坯多类表面缺陷分类的注意力引导双分支全局-局部分深度学习框架

《Scientific Reports》：An attention-guided dual-branch global–local deep learning framework for multiclass surface defect classification in steel billets

　　

摘要

由于高处理速度、光照变化、热反射以及缺陷类别不平衡，工业生产线中钢坯横截面表面缺陷的自动检测极具挑战性。本研究提出了一种 Grad-CAM 引导的双分支全局 - 局部深度学习框架，用于多类钢坯缺陷分类。在所提出的架构中，全局分支处理整个图像以提取结构和上下文表示，而由目标卷积层生成的 Grad-CAM 注意力图自动定位最具判别力的感兴趣区域。随后，定位的区域由局部分支进行分析，以捕获细粒度纹理模式和细微的缺陷相关特征。全局和局部表示通过特征拼接融合，并送入分类头进行最终预测。数据集由从胡齐斯坦钢铁公司生产线获取的真实钢坯横截面图像组成，包括七个类别：六种缺陷类型和一个健康类别。还开发了一个嵌入式硬件平台，以在恶劣的工业条件下实现实时部署和缺陷钢坯的自动标记。使用 MobileNetV2、ResNet50 和 DenseNet121 骨干网络通过分层 5 折交叉验证评估了鲁棒性和泛化能力。ResNet50 取得了最佳性能，准确率为 93.05%，宏平均 AUC 为 0.9888，而 MobileNetV2 仍然适用于资源受限的部署。