XB-RTDETR：基于多尺度边缘特征融合与尺度内特征交互的轴承缺陷检测

《Optics & Laser Technology》：XB-RTDETR: bearing defect detection based on multi-scale edge feature fusion and intra-scale feature interaction

　　

**摘要**

轴承表面缺陷检测在机械工程和工业检测中至关重要，因为轴承作为核心组件被广泛应用于机械设备中。然而，重复的特征提取和下采样可能会去除细节信息，使得微小或细微的缺陷难以被准确识别。为解决这一问题，提出了一种用于轴承套圈表面缺陷检测的XB-RTDETR模型。受GhostNet启发，将重参数化卷积（RepConv）集成到主干网络中，在降低计算成本和参数量的同时增强特征提取和梯度传播能力。随后，将极性感知线性注意力机制引入实时检测Transformer（RT-DETR）的基于注意力的尺度内特征交互（AIFI）模块中。通过保留具有信息量的负查询-键相关性，该机制能够捕捉更多样化的特征交互。此外，设计了一种局部特征下采样模块（LFDM），以在下采样过程中保留深层特征图中的细节信息和特征粒度。还设计了一种多尺度边缘特征融合（MEFF）模块，将边缘增强特征与多尺度主干网络表示进行融合，以提升对细微边缘缺陷的检测能力。基于工业生产现场采集的图像构建了轴承表面缺陷数据集，并通过对比实验和消融实验对所提模型进行了评估。相较于RT-DETR基线模型，召回率（R）提高了1.4个百分点，交并比阈值为0.50时的平均精度均值（mAP50）提高了1.0个百分点，参数量减少了426万，推理速度提高了6.7帧每秒（FPS）。结果表明，XB-RTDETR在检测性能和推理效率方面均有提升，适用于轴承表面的在线检测。

**引言**

轴承是现代机械系统中的关键组件[1], [2]，其制造质量直接影响设备的稳定性、运行可靠性和使用寿命[3]。然而，在制造、运输或装配过程中可能会引入表面缺陷。无论是微观裂纹还是可见划痕，这些缺陷都会降低轴承性能，并在设备运行过程中造成潜在隐患。因此，可靠地检测轴承表面缺陷对于识别缺陷产品以及维护工业安全和生产效率至关重要。

检测轴承表面缺陷的传统方法包括人工目视检查、射线检测[4]、渗透检测[5]、超声检测[6]和涡流检测[7]。尽管这些方法被广泛应用，但在检测轻微或早期表面损伤方面仍存在局限。人工目视检查严重依赖操作人员的经验，对于大规模或高精度应用效率低下。射线检测适用于检测内部缺陷，但存在辐射暴露风险。超声检测对浅表面缺陷的灵敏度有限，而涡流检测受材料属性、表面状态和几何复杂性的强烈影响。渗透检测可揭示表面开口缺陷，但要求严格的表面预处理，且不适用于多孔或粗糙材料。因此，传统方法可能涉及复杂流程、安全风险，或对细微表面缺陷的灵敏度不足。

近年来，基于视觉的检测技术，特别是基于深度学习的目标检测，已成为一种有前景的替代方案。这些方法能够实现非接触式检测，并直接从图像中学习判别性特征，从而减少对人工专业知识的依赖，同时提高检测的准确性、效率和可扩展性。基于卷积神经网络（CNN）的检测器，包括基于区域的卷积神经网络（R-CNN）[8]、You Only Look Once（YOLO）[9]和单次多框检测器（SSD）[10]，具有较强的局部特征提取能力。基于Transformer的检测器，以检测Transformer（DETR）[11]和实时检测Transformer（RT-DETR）[12]为代表，进一步强化了全局上下文建模能力，并实现了端到端的目标检测。

本研究选择RT-DETR作为基线模型，因为它在检测精度和推理效率之间取得了良好的平衡。然而，将其直接应用于轴承表面检测面临四个关键挑战。首先，其特征提取过程可能无法充分表示纹理对比度弱或空间范围有限的细微缺陷。其次，学习到的表示未显式编码边缘信息，这限制了边缘缺陷和边界邻近损伤的检测。第三，传统注意力机制未显式保留具有信息量的负查询-键相关性，从而限制了复杂工业场景中的缺陷-背景区分能力。最后，重复下采样可能不可逆地丢弃深层特征图中的局部细节。

为克服这些局限，本研究提出了XB-RTDETR，一种实时轴承表面缺陷检测器，包含四个互补模块。XBlock增强了弱纹理和小目标特征的提取。多尺度边缘特征融合（MEFF）强化了背景干扰下的模糊和不连续边缘。极性感知基于注意力的尺度内特征交互（Pola-AIFI）改善了低对比度缺陷与背景的区分。局部特征下采样模块（LFDM）在下采样过程中保留了精细的局部细节。这些模块共同构成了一个渐进式特征增强流水线，涵盖主干特征提取、边缘感知多尺度融合、基于注意力的交互以及深层语义表示。

（1）借鉴GhostNet[13]和重参数化卷积（RepConv）[14]，围绕专为工业轴承检测设计的轻量化XBlock重新设计了主干网络。该模块改善了小目标和弱纹理缺陷的表示能力，同时满足实时生产线的计算约束。XBlock并未直接移植GhostNet式结构，而是利用RepConv的重参数化能力，在训练期间保持多分支特征提取，并在推理时将分支转换为单路径结构。结合低成本的特征生成操作，该设计在表示能力和计算效率之间实现了更优的权衡。由于主干网络是专为高分辨率、低纹理工业图像而非通用自然图像优化的，因此能够在实时生产线的约束条件下保持稳定的梯度传播和鲁棒的特征提取。

（2）为解决现有检测器容易遗漏轴承表面弱且不连续边缘缺陷的问题，提出了一种面向任务的MEFF模块。MEFF专门设计用于恢复模糊边界、不完整的边缘响应以及被反光背景或油膜干扰抑制的边缘线索。与通用多尺度融合方案（如特征金字塔网络FPN，可能会稀释精细边缘线索）不同，MEFF显式地在各尺度上增强边缘感知表示。它由一个基于细节增强卷积（DEConv）[15]的边缘提取模块（EEM）和一个通过轻量级卷积选择性聚合多个特征层级边缘响应的边缘融合模块（EFM）组成。针对工业轴承缺陷尺寸小、对比度低、边界模糊的特点，该设计能够更可靠地保留边缘连续性，同时不增加推理开销。

（3）将极性感知注意力[16]纳入RT-DETR的基于注意力的尺度内特征交互（AIFI）模块中，以强化尺度内特征交互，从而形成Pola-AIFI。该模块旨在减轻背景干扰并改善缺陷与背景的区分，特别是在缺陷具有低对比度、反转纹理或强度分布类似于正常区域时。传统自注意力机制隐式抑制负查询-键相关性，这可能会削弱含有低对比度或纹理反转缺陷的工业场景中的特征区分能力。通过显式建模正负两种极性，Pola-AIFI通过符号感知缩放保留了具有信息量的负交互。与仅专注于增强正激活的标准注意力变体相比，Pola-AIFI支持更具表达力且更平衡的交互建模，同时保持线性计算复杂度，从而改善了对细微轴承缺陷的定位和区分能力。

（4）为减轻重复下采样过程中精细缺陷细节的渐进性丢失，引入了LFDM。该模块专门针对微观缺陷和小型局部异常，这些缺陷的空间响应随着分辨率逐渐降低可能从深层特征层中消失。LFDM首先结合逐点卷积和深度可分离卷积进行高效特征提取。随后通过特征分解将局部差异与全局上下文分离，之后利用自适应可学习掩码对局部特征进行重校准。Sigmoid加权线性单元（SiLU）激活[17]提供非线性增强。与传统下采样操作以牺牲空间细节为代价扩大感受野不同，LFDM显式地保留了深层特征层中检测微观轴承缺陷所需的局部缺陷线索。

**章节片段**

用于缺陷检测的高效Transformer检测模型

关于高效缺陷检测的研究日益集中于四个目标：全局上下文建模、多尺度表示、收敛速度和计算效率。本小节按照这些方法学目标对代表性架构进行了组织。

Sun等人[18]提出了用于航空发动机叶片缺陷检测的检测Transformer（SDD-DETR）。该模型纳入了渐进式特征输入多尺度可变形注意力……

**模型改进**

在轴承表面上检测小目标和低对比度边缘缺陷仍然具有挑战性。小缺陷占据的像素很少，卷积神经网络（CNN）中连续的卷积和池化操作可能会去除细节信息。对于低对比度边缘缺陷，缺陷区域和正常区域的灰度分布相似，阻碍了特征分离，并允许背景噪声抑制缺陷线索。更深更复杂的网络可能会提高精度，但往往会降低推理速度，这对……至关重要。

**检测设备与数据集采集**

所提出的轴承表面缺陷检测系统具有紧凑且功能集成的架构，如图9所示。该系统安装在装配前的生产线上，使用带可控照明的封闭式成像结构以支持稳定的图像采集。统一的控制面板集成了智能触摸屏、系统状态指示器、信号灯和多模态控制按钮。触摸屏显示可编程逻辑控制器（PLC）控制的……

**结论**

本研究提出了XB-RTDETR，一种用于工业成像条件下轴承表面在线检测的紧凑检测器。该模型解决了小目标和弱纹理缺陷特征提取有限、边缘响应不连续、缺陷与背景交互模糊以及下采样过程中局部细节丢失等问题。BoltNet替换了原始RT-DETR主干网络，在降低计算复杂度的同时改善了特征提取能力。多尺度边缘特征融合（MEFF）模块将……

**代码可用性**

本研究产生的代码可从通信作者处合理获取。

**CRediT作者贡献声明**

Sheng Jiang：原创草稿撰写、可视化、软件、方法论、数据管理、概念化。Yaozhong Hua：资源、项目管理。Lu Wang：验证、监督、形式化分析、数据管理。Junfeng Li：审阅与编辑、监督、项目管理、调查、资金获取、概念化。Haipeng Pan：审阅与编辑、项目管理、调查。

**利益冲突声明**

作者声明不存在可能影响本文所报告工作的已知竞争财务利益或个人关系。

**致谢**

本研究得到国家自然科学基金（批准号：62573387）、浙江省重点研发计划（批准号：2023C01062）、浙江省公益基础研究计划（批准号：LGF22F030001）和衢州重大科技研究项目（批准号：2024Z013）的支持。

Sheng Jiang | Yaozhong Hua | Lu Wang | Junfeng Li | Haipeng Pan