《Engineering Applications of Artificial Intelligence》：An engineering-oriented data-to-deployment framework for reliable surface defect detection of annular industrial parts
编辑推荐：
环形工业零件表面缺陷的可靠检测在实际制造环境中仍具挑战性，其原因在于弯曲几何形状、反射性金属表面，以及连续旋转扫描所导致的严重数据冗余。由于相邻帧包含高度重叠的视觉信息，传统的随机划分可能引发旋转数据泄漏并导致性能被高估。为解决上述问题，本研究提出一种面向工程
环形工业零件表面缺陷的可靠检测在实际制造环境中仍具挑战性，其原因在于弯曲几何形状、反射性金属表面，以及连续旋转扫描所导致的严重数据冗余。由于相邻帧包含高度重叠的视觉信息，传统的随机划分可能引发旋转数据泄漏并导致性能被高估。为解决上述问题，本研究提出一种面向工程的“数据到部署”框架，将轻量级深度学习应用于自动化表面缺陷检测。该框架整合了物理引导的数据工程、防泄漏评估、几何约束标注、轻量级检测器设计以及实际系统部署。首先，基于物理的扇区划分（Sector Split）策略降低了旋转数据泄漏风险，并使评估与实际采集过程保持一致。此外，几何约束标注工具进一步提高了连续旋转帧间的标注一致性。其次，研究开发了空间背景抑制、分组洗牌融合与条带注意力增强的YOLO检测器（YOLO-SGS），用于反射性金属表面的缺陷定位。YOLO-SGS在50%交并比下的平均精度均值（mAP@50）达到84.6%，模型推理延迟仅为6.73毫秒，且参数量较基线检测器减少23.3%。五折物理零件级交叉验证得到81.2±1.9%的mAP@50。在三个未见过的物理零件上，Sector Split模型的mAP@50达到81.9%，而Random Split模型仅为69.0%。最后，研究实现了采用异步多线程架构的AnnularInspector软件系统，平均端到端延迟为494.3毫秒，且未观察到帧丢失。外部验证与工业干扰测试进一步支持了在所研究情境下的跨零件泛化能力，以及在代表性工业干扰条件下的实际适用性。
面向环形工业零件表面缺陷检测的工程化数据到部署框架：论文解读
一、研究背景与问题提出
旋转对称部件，如精密轴承、法兰和齿轮环，是现代机械系统中的关键元件。在强烈的循环载荷作用下，其表面完整性直接影响整个系统的疲劳寿命与运行安全。表面缺陷如微裂纹和划痕，在高周滚动接触疲劳（RCF）条件下可能作为应力集中源扩展，进而导致灾难性的系统失效。因此，可靠的表面检测至关重要。然而，当前普遍采用的人工目视检测具有主观性且易受疲劳影响；传统的无损检测（NDT）方法则通常需要昂贵的硬件且扫描效率较低，限制了其在大批量实时制造中的应用。
为克服上述局限，深度学习方法被广泛用于自动化缺陷检测。然而，将常规模型直接部署于高速环形零件检测暴露出两个关键瓶颈。第一个瓶颈是几何失配：环形零件上的缺陷，如弯曲裂纹和划痕，本质上是各向异性的。标准各向同性卷积核（如3×3卷积）和轴对齐的矩形边界框在包围弯曲异常时封装了过多的背景噪声，严重稀释了特征信号并降低了定位精度。第二个且更为关键的问题是旋转冗余，这可能导致严重的数据泄漏。对环形零件的全面检测需要顺序旋转扫描，产生具有大量视觉重叠的相邻帧。对这种顺序数据应用常规的随机帧级划分可能违反独立同分布（i.i.d.）假设。出现在训练集和测试集中的近重复帧可能使网络记忆背景纹理而非学习可泛化的缺陷特征，导致指标虚高，在部署到物理新零件时性能下降。
二、研究内容与核心结论
针对上述几何失配和数据泄漏挑战，该研究提出了一种面向工程的“数据到部署”框架，用于环形零件的可靠自动化检测。该框架利用旋转扫描几何、成像物理和缺陷形态学，协调数据采集、防泄漏数据集构建、几何约束标注、轻量级检测和实际系统部署。研究的主要贡献包括：提出基于物理的Sector Split策略以解决旋转扫描中高度重叠帧引起的数据泄漏问题；开发几何约束标注框架以减少重复人工标注并提高连续旋转帧间的标注一致性；构建轻量级YOLO-SGS检测器以改善反射金属背景下细长和弯曲缺陷的检测；实现异步检测系统并在模型、流水线和物理零件三个层面进行定量评估。
实验结果表明，YOLO-SGS在50%交并比下达到84.6%的平均精度均值（mAP@50），模型推理延迟为6.73毫秒，参数量较基线减少23.3%。五折物理零件级交叉验证得到81.2±1.9%的mAP@50。在三个未见物理零件上，Sector Split模型达到81.9%的mAP@50，显著优于Random Split模型的69.0%。该系统实现了494.3毫秒的平均端到端延迟且无帧丢失。该研究发表在《Engineering Applications of Artificial Intelligence》。
三、关键技术方法
研究采用的主要技术方法包括：基于物理的Sector Split数据划分策略，按物理分离的角区域划分顺序序列以防止旋转数据泄漏；几何约束标注工具，利用旋转几何约束提高跨帧标注一致性；YOLO-SGS检测器，集成空间背景抑制的ScConv模块以抑制背景冗余、Group-shuffle融合机制以及Strip Attention条带注意力机制以匹配环形缺陷的各向异性形态；异步多线程架构的AnnularInspector软件系统实现。数据集包含14个物理样本（7个有缺陷、7个无缺陷），共2520张高分辨率图像，涵盖裂纹、划痕和凹痕三类主要缺陷。
四、研究结果
4.1 旋转冗余分析
通过成像几何分析，研究量化了相邻帧间的空间重叠。有效平均视场（FOV）覆盖零件周长的30°，旋转步长为每帧2°，因此相邻帧间的平均空间重叠率约为93.3%。这一量化结果证实了数据集的高度连续性，也凸显了传统随机划分导致数据泄漏的严重性。
4.2 Sector Split策略与几何约束标注
研究提出了基于物理的Sector Split策略，将每个有序序列按物理分离的角区域划分，而非随机分配单个帧，从而在未见表面区域上提供更可靠的评估。同时开发的几何约束标注框架利用旋转扫描的物理几何关系，显著减少了重复人工标注工作并提高了标注一致性。
4.3 YOLO-SGS检测器性能
YOLO-SGS检测器通过ScConv模块抑制反射金属表面的背景冗余，通过Strip Attention机制匹配细长弯曲缺陷的几何形态。该模型在保持高效推理的同时，在反射金属背景下实现了优异的缺陷定位性能，参数量较基线减少23.3%，推理延迟仅6.73毫秒。
4.4 系统部署与鲁棒性验证
研究实现了基于异步多线程架构的AnnularInspector软件系统，平均端到端延迟为494.3毫秒且无帧丢失。外部验证和工业干扰测试进一步支持了模型在所研究情境下的跨零件泛化能力，以及在代表性工业干扰条件下的实际适用性。
五、讨论与结论
讨论部分分析了几何适应机制和数据有效性。研究指出，多角度采样与标准图像增强技术（如旋转或翻转）有本质区别，前者能真实再现视点变化带来的镜面反射、阴影分布和几何透视缩短的变化，而后者仅操作像素值。Sector Split策略与物理采集过程对齐，提供了比随机划分更可靠的评估方式。研究结论表明，所提出的数据到部署框架通过物理引导的数据工程、防泄漏评估、几何约束标注、轻量级检测器设计和实际系统部署的有机结合，有效解决了环形零件表面缺陷检测中的几何失配和数据泄漏问题，为实际制造环境中的自动化检测提供了可靠且高效的解决方案。
