《IoT》：Image-Based Multi-Domain Feature Extraction for IoUT-Oriented Monitoring of Hydrofoil Tip Leakage Flow Cavitation
编辑推荐：
无缝钢管需要对表面异常进行可靠分类，但类别不平衡、尺度变化以及缺陷与生产干扰之间的视觉重叠使自动检测复杂化。研究人员提出了WF-MobileNet，用于对线结构光轮廓测量导出的二维RGB伪彩色表面形态图像进行分类。该模型保留MobileNetV3-Small作
无缝钢管需要对表面异常进行可靠分类，但类别不平衡、尺度变化以及缺陷与生产干扰之间的视觉重叠使自动检测复杂化。研究人员提出了WF-MobileNet，用于对线结构光轮廓测量导出的二维RGB伪彩色表面形态图像进行分类。该模型保留MobileNetV3-Small作为其主描述符路径，将选择性WTConv应用于选定的中后期深度可分离卷积，并通过Lite-BiFPN在三个空间分辨率上聚合特征。门控残差连接将多尺度描述符添加到终端主干描述符。评估使用了15,463张图像，涵盖12个缺陷类别和4个生产干扰类别，并在一个固定划分上使用五个训练种子（seeds）。在六种评估架构中，WF-MobileNet实现了最高的观测平均宏F1（macro-F1）和干扰F1（interference F1），分别达到（82.17 ± 0.36）%和（80.50 ± 0.96）%（平均值±样本标准差）。相对于MobileNetV3-Small，相应增益分别为4.20和6.84个百分点。凭借181.1万参数和65.8百万次乘加运算（MACs），WF-MobileNet在两项复杂度指标上均排名第二低。受控消融研究表明，联合配置比任一单独组件产生更大的平均宏F1增益。在所评估的数据集中，WF-MobileNet在保持较低参数和MAC数量的同时，改善了类平衡识别和缺陷-干扰判别。
无缝钢管作为能源运输、石化加工和机械中的承压与结构部件，其外表面完整性直接影响产品验收和下游使用。热态穿孔、轧制、定径及物料转运等工序可能在外表面留下可见异常，这些异常后果各异，但均可能影响外观评级和后续处理。人工检测在连续生产线上的覆盖度、重复性和一致性受限，因此自动检测系统需能够区分真实缺陷与生产干扰引起的类缺陷响应。
本研究依托某工业无缝钢管生产线热态外表面检测项目，采集系统位于定径机下游，采用六个三维激光轮廓仪周向环绕钢管，通过线结构光三角测量获取表面形貌数据，并导出二维RGB伪彩色图像。数据集共包含15,463张图像，覆盖12类缺陷和4类生产干扰。其中，滚动疤痕占39.3%，氧化铁皮占33.0%，两者合计72.3%；而最小类别仅19张图像，类不平衡极为严重。为此，研究人员提出WF-MobileNet，在MobileNetV3-Small骨干基础上引入选择性WTConv（小波变换卷积）和Lite-BiFPN（轻量级双向特征金字塔网络），旨在提升类平衡识别能力，同时保持模型紧凑性。
主要技术方法概述：数据来自上述工业检测项目；预处理包括水平翻转、随机仿射变换（旋转±5°、平移3%、缩放0.95–1.05）以及letterbox缩放至224×224；模型以ImageNet预训练的MobileNetV3-Small为主干，采用选择性WTConv替换产生中后期特征的两处5×5深度卷积，利用Lite-BiFPN聚合P3、P4、P5三级特征，通过门控残差连接融合多尺度描述符；训练使用Balanced Softmax损失和AdamW优化器，采用五个随机种子在固定70:15:15划分上重复实验。
主要研究结果如下：
3.1 基线比较：在六种评估架构（ResNet-50、EfficientNet-B0、MobileNetV3-Small、ConvNeXt-Tiny、Swin-Tiny及WF-MobileNet）中，WF-MobileNet取得了最高的平均宏F1（82.17% ± 0.36%）和干扰F1（80.50% ± 0.96%），较MobileNetV3-Small分别提升4.20和6.84个百分点；其准确率和平衡准确率排名第二，且参数和MACs均为第二低（1.811M参数、65.8M MACs）。
3.2 消融研究：单独加入选择性WTConv（W-only）使宏F1提升0.78个百分点，单独加入Lite-BiFPN（F-only）仅提升0.17个百分点；联合配置提升4.20个百分点，配置对比达3.25个百分点，表明联合增益大于组件单独增益之和。与将Lite-BiFPN替换为简单拼接分支（W+Concatenation）相比，WF-MobileNet在参数相近下宏F1仍高1.16个百分点，验证了双向融合设计的有效性。
3.3 结果分析与讨论：混淆矩阵分析显示，多数类（氧化铁皮、滚动疤痕）的召回率变化很小，而缺陷-干扰双向误判数量下降（缺陷至干扰从30降至21，干扰至缺陷从12降至9）；逐类F1分析表明，16类中12类F1提升，喷痕和干扰类提升显著，但冷损伤在原始种子（seed43）中F1下降；跨五个种子统计，冷损伤平均F1实际高于基线（77.31% vs 73.81%），仅存在较大方差。将最小的三个测试类排除后，宏F1增益从4.20个百分点降至约1.74个百分点，但五个种子下仍均为正，说明改善不依赖少数稀有类。
讨论部分指出，该模型在实际筛选工作流中可能减少缺陷被误判为干扰、以及干扰被升级审查的情况；但证据仅来自单一产线、固定划分，需跨工厂、钢种、规格和成像条件进行外部验证。结论翻译如下：本研究开发了WF-MobileNet，用于对无缝钢管线结构光轮廓测量导出的RGB伪彩色表面形态图像进行分类。选择性WTConv与Lite-BiFPN的联合配置实现了更优的类平衡识别和缺陷-干扰判别，同时保持了较低的参数和MACs；受控消融验证了联合配置的增益超过任一单独组件，且优于简单拼接融合。未来需扩展稀有类样本，并在独立数据和多硬件条件下验证其泛化性与实时性能。
